基于结构化梯度树提升的知识图谱集体实体消歧方法

摘要

为提升医学决策支持知识图谱的全面性和精确性，针对医学领域中实体文本长、复杂且专业性高，以及同一实体在不同数据库中的歧义问题，提出一种基于结构化梯度树提升的集体消歧方法（CEDSGTB）.首先，清洗和处理医学决策文本，利用神经网络协作检测和标注文本中的实体.其次，通过全局特征优化当前候选实体和先前实体，完成实体的全局消歧.再次，设计黄金路径双向集束搜索算法，以减少模型方差.最后，通过对比实验和消融实验，结果表明CED-SGTB在精确度和调和平均值F1方面优于传统方法，能够更精确地完成实体消歧任务.

关键词

医学决策支持 / 知识图谱 / 梯度树提升 / 集束搜索 / 实体消歧

基金资助

国家自然科学基金资助项目(61701100)