Генерация исследовательских гипотез на основе научных графов знаний

Генерация исследовательских гипотез является важным этапом научного исследования и включает формулировку точных, проверяемых и логически обоснованных утверждений, которые могут быть подвергнуты эмпирической проверке. Поэтому предпринимаются многочисленные попытки автоматизировать этот процесс или оказывать поддержку исследователям с помощью различных решений в области искусственного интеллекта. Однако большинство существующих методов ориентировано на весьма специфические предметные области, особенно в сфере биомедицины. В последнее время появились попытки формализовать генерацию гипотез как задачу предсказания связей в графах знаний. Такой подход потенциально не зависит от предметной области и применим в различных дисциплинах. Тем не менее современные методы предсказания связей, обычно основанные на моделях векторных представлений или методах, использующих пути, пока демонстрируют ограниченную эффективность при точном предсказании новых гипотез. Для устранения этих ограничений в статье предлагается ResearchLink — инновационная предметно-независимая методология генерации гипотез на основе графов знаний. ResearchLink объединяет признаки, основанные на путях, и векторные представления графа знаний с текстовыми векторными представлениями, учитывая семантический контекст сущностей в заданном корпусе, а также интегрирует дополнительную информацию из библиометрических баз данных для повышения качества предсказания научного сотрудничества. Для строгой оценки ResearchLink был создан CSKG-600 — новый набор данных для генерации гипотез, включающий 600 утверждений, размеченных вручную экспертами в соответствующих предметных областях. ResearchLink продемонстрировал выдающиеся результаты (78,7% P@20), значительно превзойдя альтернативные подходы, такие как TransH (71,8%), TransD (71,7%) и RotatE (70,7%).