MsrGenomicsKbcomp 是由 Microsoft Research 于 2016 年发布的一个专注于基因组领域关系抽取与知识补全的数据集，旨在利用 PubMed 摘要中的文本共现信息与官方通路数据库构建基因调控关系知识库，以支持知识图谱补全研究。

该数据集包含 16,259 个样本（训练集 12,160 个，测试集 2,784 个，验证集 1,315 个），数据规模约为 342 KB。 数据源自 NCI PID Pathway Interaction Database 及 PubMed 摘要，经过 Literome 工具处理与标注，涵盖 Positive_regulation、Negative_regulation 和 Family 等基因间关系类型，为生物医学自然语言处理任务提供了高质量的基准数据。

数据集组成

• train.txt：知识库训练集三元组，用于模型训练。

• valid.txt：知识库验证集三元组，用于模型验证。

• test.text：知识库测试集三元组，用于模型测试。

• text.txt：从 PubMed 文摘中提取的基因关系文本三元组，经过实体链接和 Literome 处理。

Citation

@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",
}