近日，计算科学与人工智能学院杨洋教授团队的研究成果“biogsf: a graph-driven semantic feature integration framework for biomedical relation extraction”发表于sci一区期刊briefings in bioinformatics（bib），是该团队在生物医学知识图谱方向发表的第3篇重要论文。《briefings in bioinformatics》由牛津大学出版社出版，是生物信息学领域top期刊，以其高质量的综述文章和跨学科的研究内容著称，其2021年的影响因子为13.994。杨洋为该论文的第一作者，苏州医学院基础医学与生物科学学院严文颖副教授为通讯作者。
关系抽取是知识图谱中不可或缺的一环，其核心目标是根据文本以及实体信息判断实体间的具体关系。近年来，为了进一步提升关系建模的准确性，研究者通过图lstm或图卷积神经网络在图结构上进行实体信息传播从而增强关系建模能力，但其模型效果依赖于外部工具的性能，忽略了实体对之间的直接连接同样蕴含了丰富的特征信息。
| |
biogsf模型示意图
针对上述关键科学问题，杨洋团队提出一种基于实体对图和最短依赖路径的生物医学关系抽取图驱动框架（biogsf）。模型使用依赖关系来获得实体之间的最短依赖路径（shortest dependency paths, sdp），并将此信息与实体信息合并获得融合特征输入至图中。然后，利用图注意力网络（graph attention network, gat）基于实体对图获取图拓扑信息表示。最后，将获取的图拓扑信息与上下文信息的语义特征结合起来进行关系分类。为验证模型的有效性，该模型在两个合并的多分类数据集s4和biored下进行实验，较于现有模型均获得了最佳的效果，为生物医学文本的知识提取开辟了新的途径，具有广阔的应用前景。
（计算科学与人工智能学院）
