MsrGenomicsKbcomp は、Microsoft Research が2016年に公開した、ゲノム分野の関係抽出と知識補完に特化したデータセットであり、PubMed抄録のテキスト共起情報と公式経路データベースを利用して遺伝子調節関係の知識ベースを構築し、知識グラフ補完研究を支援することを目的としています。

このデータセットには16,259件のサンプル（トレーニングセット12,160件、テストセット2,784件、検証セット1,315件）が含まれており、データ規模は約342 KBです。 データはNCI PID Pathway Interaction DatabaseとPubMed抄録に由来し、Literomeツールによる処理とアノテーションを経て、Positive_regulation、Negative_regulation、Familyなどの遺伝子間関係タイプを網羅しており、生物医学自然言語処理タスクに高品質なベンチマークデータを提供しています。

データセット構成

• train.txt：ナレッジベースのトレーニングセット三元組。モデルのトレーニングに使用されます。

• valid.txt：ナレッジベースの検証セット三元組。モデルの検証に使用されます。

• test.text：ナレッジベースのテストセット三元組。モデルのテストに使用されます。

• text.txt：PubMed抄録から抽出された遺伝子関係テキスト三元組。エンティティリンキングとLiterome処理を経ています。

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", }