MsrGenomicsKbcomp ist ein von Microsoft Research im Jahr 2016 veröffentlichtes Datenset, das sich auf Relationsextraktion und Wissensvervollständigung im Genomikbereich spezialisiert hat. Es zielt darauf ab, mithilfe von Text-Kookkurrenzinformationen aus PubMed-Zusammenfassungen und offiziellen Pathway-Datenbanken eine Wissensbasis für Genregulationsbeziehungen aufzubauen, um die Forschung zur Wissensgraph-Vervollständigung zu unterstützen.

Das Datenset umfasst 16.259 Stichproben (Trainingsset: 12.160, Testset: 2.784, Validierungsset: 1.315) und hat eine Datengröße von etwa 342 KB. Die Daten stammen aus der NCI PID Pathway Interaction Database und PubMed-Zusammenfassungen, wurden mit dem Literome-Tool verarbeitet und annotiert und decken Beziehungstypen zwischen Genen wie Positive_regulation, Negative_regulation und Family ab. Damit bietet es hochwertige Benchmark-Daten für biomedizinische Verarbeitungsaufgaben in der natürlichen Sprache.

Zusammensetzung des Datensets

• train.txt: Triple des Trainingssets der Wissensbasis, für das Modelltraining.

• valid.txt: Triple des Validierungssets der Wissensbasis, für die Modellvalidierung.

• test.text: Triple des Testsets der Wissensbasis, für den Modelltest.

• text.txt: Text-Triple von Genbeziehungen, die aus PubMed-Abstracts extrahiert wurden, verarbeitet durch Entity-Linking und 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", }