换一批融合古籍信息的中医药知识图谱推理研究
Knowledge Graph Reasoning for Traditional Chinese Medicine Enhanced by Classical Texts
摘要[目的]针对中医药知识图谱存在结构稀疏、语义信息利用不足等问题,将中医古籍文本作为实体描述信息引入表示学习模型,以提升知识图谱推理性能.[方法]以《伤寒论》398条条文为语料,通过人工标注与自动抽取相结合的方式构建经方知识图谱,并将《伤寒论》及《金匮要略》中与实体相关的条文作为实体描述语料输入预训练语言模型.在TransE、DistMult、ComplEx、SimplE等基线模型上分别融合静态BERT表示(BERT-Static)和端到端微调BERT表示(BERT-Dynamic)进行知识图谱推理实验.[结果]在经方知识图谱上,融合古籍信息后的推理模型在MRR、Hits@1、Hits@3、Hits@10等指标上的性能均明显优于对应的基线模型.从绝对数值看,MRR 由 0.062～0.089提升至0.257～0.270,Hits@10 由 0.148～0.181 提升至 0.513～0.547.文本长度消融实验表明:当BERT输入长度由16增加至96个中文字符时,模型性能持续提升;但超过96个中文字符后性能提升不再显著,而训练时间近似线性增长.[局限]本研究实验数据主要来源于《伤寒论》及《金匮要略》相关条文,知识图谱规模相对有限;方法上仅考虑实体描述信息与结构三元组的联合表示,未纳入关系路径与规则推理等结构增强信息.[结论]将中医古籍文本作为实体描述信息并与预训练语言模型结合,能够有效增强中医药知识表示能力,显著提升中医药知识图谱推理性能.
更多相关知识
关键词
中医药中医古籍知识图谱推理预训练语言模型经方知识图谱表示学习Traditional Chinese MedicineClassical TextsKnowledge Graph ReasoningPre-Trained Language ModelsJingfang Knowledge GraphRepresentation Learning
栏目名称
DOI
10.11925/infotech.2096-3467.2024.0259
发布时间
2026-05-25（万方平台首次上网日期，不代表论文的发表时间）
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
