MsrGenomicsKbcomp هو مجموعة بيانات صدرت عن Microsoft Research في عام 2016، تركز على استخراج العلاقات وإكمال المعرفة في مجال الجينوم، وتهدف إلى استخدام معلومات التواجد المشترك للنصوص في ملخصات PubMed وقواعد بيانات المسارات الرسمية لبناء قاعدة معرفية لعلاقات تنظيم الجينات، لدعم أبحاث إكمال الرسم البياني المعرفي.

تحتوي مجموعة البيانات هذه على 16,259 عينة (12,160 في مجموعة التدريب، و2,784 في مجموعة الاختبار، و1,315 في مجموعة التحقق)، ويبلغ حجم البيانات حوالي 342 كيلوبايت. تستمد البيانات من قاعدة بيانات تفاعلات مسارات NCI PID وملخصات PubMed، وقد تمت معالجتها ووضع العلامات عليها باستخدام أداة Literome، وتشمل أنواع علاقات بين الجينات مثل التنظيم الإيجابي (Positive_regulation) والتنظيم السلبي (Negative_regulation) والعائلة (Family)، مما يوفر بيانات مرجعية عالية الجودة لمهام معالجة اللغة الطبيعية في المجال الطبي الحيوي.

مكونات مجموعة البيانات

• train.txt: ثلاثيات مجموعة التدريب لقاعدة المعرفة، تُستخدم لتدريب النموذج.

• valid.txt: ثلاثيات مجموعة التحقق لقاعدة المعرفة، تُستخدم للتحقق من النموذج.

• test.text: ثلاثيات مجموعة الاختبار لقاعدة المعرفة، تُستخدم لاختبار النموذج.

• text.txt: ثلاثيات نصوص علاقات الجينات المستخرجة من ملخصات PubMed، تمت معالجتها من خلال ربط الكيانات وأداة Literome.

Citation```bibtex

@inproceedings{toutanova-etal-2016-compositional, title = "Compositional Learning of Embeddings for Relation Paths in Knowledge Base and Text", author = "Toutanova, Kristina and Lin, Victoria and Yih, Wen-tau and Poon, Hoifung and Quirk, Chris", booktitle = "Proceedings of the 54th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers)", month = aug, year = "2016", address = "Berlin, Germany", publisher = "Association for Computational Linguistics", url = "https://www.aclweb.org/anthology/P16-1136", doi = "10.18653/v1/P16-1136", pages = "1434--1444", }