LDComKG:一个LLM驱动的双增强框架,用于在传统中医中完成社区意识的知识图表

科学领域:

• 医疗信息学 医疗信息学
• 人工智能的人工智能
• 数字人文学科 数字人文学科

背景情况:

• 古代中国医学文本拥有复杂的语义和术语,阻碍了知识图 (KG) 的构建.
• 传统方法与历史医学机构的复杂性作斗争,限制了KG的发展.
• 大型语言模型 (LLM) 为从这些具有挑战性的文本中提取知识提供了新的能力.

研究的目的:

• 开发一个高效和有效的框架,从古代中国医疗机构构建知识图表.
• 利用LLMs进行实体和关系的自动提取,减少手工工作.
• 通过使用图形算法来增强KG完成和链接预测.

主要方法:

• 提出了LDComKG,这是一个基于LLM的双增强框架,用于KG建设.
• 利用LLM用于从等级文本块智能自动生成图形数据.
• 集成了Leiden算法用于社区检测和GraphSAGE用于节点表示学习.

主要成果:

• 在对注释的古代医学数据集的实验中,LDComKG显著超过了基线模型.
• 实现了高性能指标,GPT-4o产生准确率:95.94%,F1-Score:95.07%和AUC:97.72%.
• 通过与最先进的LLM-KG融合方法进行比较,证明了稳健性和可扩展性.

结论:

• LDComKG框架有效地整合了复杂的医疗机构的LLM和图形算法.
• 在链接预测和KG完成方面实现了高精度,创建了高质量的传统中医 (TCM) 知识图.
• 突出了LLM在医疗保健知识发现和智能TCM信息系统中的潜力.