[医疗NLP]啥？听说你要构建一个新冠知识图谱
这篇博客将以CCKS2020的新冠知识图谱构建赛道的四个子任务为纲，梳理一下具体在执行层面上的问题。具体包括四个子任务：类型推断，概念上下位关系挖掘，链接预测和基于知识图谱的问答。
一.类型推断
该任务的目的是给实体打标签。输入如下：
希望的输出如下：
其中，共包括7个目标类型，病毒、细菌、疾病、药物、医学专科、检查科目、症状（非目标类型输出为 NoneType）。附加数据包括提供的：百度百科，互动百科，中文维基百科，医学百科，保证任意实体至少被一个页面文件覆盖，页面文件包括含类型推断可能会用到的名称，标签和简介等信息。页面内容示例如下：
两种建模思路：
（1）找到实体在页面中的句子，做序列标注；
（2）借助外部数据，扩充对实体的描述，做多分类；
分析：为啥这种任务设定是OK的？
（1）对于知识型的图谱构建，有一些已经存在的知识体系。比如可以通过国家卫健委官方网站获取所有药物的列表。也就是说，现实条件下，可以让我们以较低的成本拿到实体-类型对数据。
（2）丰富的开放医学数据。典型的各种百科类页面。
（3）支持不同的建模思路，包括序列标注和多分类。整体上在标注上的区别是：传统方式是给定任意文本，比如提供百科页面，去标注实体-类型。但是最终获取的实体-类型的比例，较难提前预估，这是从输入开始的数据构建。但是，也可以从输出端开始，也就是先得到实体-类型，然后通过其他方式找到对应的文本，之后进行后续的建模推进。不管怎样，都会受限于非结构化文本的规模和质量。后者，在扩充描述上存在一些比较灵活的Trick，从而提升标注质量，丰富实体的表达。从执行方式上来看，这种是不需要人工标注的，相当于预打标，因此是一个很实际，高效的执行方案。
从任务体验上来讲，和CCKS2020的基于商品标题的大规模商品实体检索有类似之处。
补充新的工作，《筛选风险词，用实体类型推断发现限售商品》，基于通用百科数据，共计54种实体类型，60万训练数据。关键亮点是：如何基于没有标注的数据构建有标签的数据。
二.概念的上下位关系预测
工业界的一种场景是，类别体系很难一次定好，需要反复迭代。那么，能不能通过自动化的方式构建一个类别体系呢？这里，对类别体系添加了约束，强调对上下位关系的挖掘。
输入是：实体列表+概念列表
输出是：实体-概念之间的关系，概念和概念之间的关系
如果采用有监督的方式构建，思路如下：
（1）上下位关系构建。借助于聚类，第三方关系，知识库等方式。（比较Tricky的工作体现在这里）
（2）头实体描述和尾实体表述作为输入，三关系分类（上位，下位和无关系）
整体上，该方案存在以下问题：
（1）上下位关系，也就是标注数据的构建比较Tricky
（2）对关系层级添加了约束。上下位关系，现实条件下并不一定成立
（3）获取对实体的描述信息环节，仍旧比较灵活
（4）整体难度较大，指标较低
这里给一个聚类的效果图：
补充一个类似的工作：
三.链接预测
任务定义：给定(h,r,?)或者(?,r,t)，预测?。这是一个典型的知识表征任务，代表工作从TransX系列开始。
参考解决方案：DistMult的改进版
四.知识图谱的自然语言问答
标准任务：KBQA，特点在于提供了SPARQL作为中间查询语句。参考方案
五.整体结论和认识
整个任务的设定仍旧没有离开标准图谱构建的范式，不过基于医疗行业的知识沉淀，在具体建模上有特色之处。虽然在上下位关系约束的前提下，可以在一定程度上实现类型体系的自动化构建，但是从目前的结果来看，距离实用仍有一段路要走。