Key points are not available for this paper at this time.
Die Hypothesengenerierung (HG) zielt darauf ab, biomedizinische Forschung zu beschleunigen, indem sie neuartige Hypothesen aus bestehender wissenschaftlicher Literatur generiert. Die meisten bestehenden Studien konzentrierten sich auf die Modellierung statischer Schnappschüsse des Korpus und vernachlässigten die zeitliche Entwicklung wissenschaftlicher Begriffe. Trotz der jüngsten Bemühungen, die Begriffsentwicklung aus Wissensbasen (KBs) für HG zu lernen, wird die zeitliche Information aus Multi-Source-KBs nach wie vor übersehen, die wichtige, aktuelle Kenntnisse enthalten. In diesem Papier wird ein innovativer Rahmen für zeitliches kontrastives Lernen (TCL) vorgestellt, um latente Assoziationen zwischen Entitäten aufzudecken, indem ihre Ko-Entwicklung über Multi-Source-temporale KBs gemeinsam modelliert wird. Konkret konstruieren wir zuerst einen temporalen Beziehungsgraphen basierend auf PubMed-Papieren und einer biomedizinischen Beziehungsdatenbank (wie der Comparative Toxicogenomics Database (CTD)). Dann werden der konstruierte temporale Beziehungsgraph und ein zeitlicher Konzeptgraph (wie Medical Subject Headings (MeSH)) verwendet, um zwei GCN-basierte rekurrente Netzwerke zu trainieren, um die zeitlichen evolutionären Einbettungen der Entitäten zu lernen. Schließlich wird eine Cross-View-temporale Vorhersageaufgabe entworfen, um wissensangereicherte temporale Einbettungen zu lernen, indem die temporalen Einbettungen, die aus den beiden Temporal Knowledge Graphs (TKGs) gelernt wurden, kontrastiert werden. Ergebnisse aus Experimenten, die an drei realen biomedizinischen Begriffbeziehungsdatensätzen durchgeführt wurden, zeigen, dass der vorgeschlagene Ansatz den auf einem einzelnen TKG basierenden Ansätzen eindeutig überlegen ist und die Leistung auf dem Stand der Technik erreicht.
Zhou et al. (Mittwoch) untersuchten diese Frage.