admin

知识图谱（KG）由大量的实体以及实体间的关系组成。基于知识图谱的问答（KGQA），其目标是回答在给定知识图谱上提出的自然语言查询。

NeuralKG是一款支持多种知识图谱表示学习/知识图谱嵌入模型(Knowledge Graph Embedding, KGE)的Python工具包，涵盖了传统知识图谱嵌入、基于图神经网络的知识图谱嵌入以及基于规则的知识图谱嵌入方法等多种知识图谱嵌入模型。NeuralKG提供了详细的文档和简单的使用方式，容易上手。

基于图神经网络（GNN）的知识图谱表示学习方法，通常会在实体和关系的表示之后，添加多层的图神经网络结构，利用该结构对实体和关系的表示进行基于周围邻居结构信息的编码更新。

NeuralKG 复现了常规的知识图谱嵌入模型，即C-KGEs。其设计理念是将知识图谱中的实体和关系映射到特定的向量空间中，并利用设计好的打分函数对三元组的真实性进行打分，最终得到高质量的实体和关系的向量表示。​

规则增强表示学习的基本思想是不仅在KGs中原始的三元组上学习实体和关系嵌入，而且还学习由一些规则推断出的三元组或基本规则，这也称为符号驱动的神经推理。

在DrugBank中，条件通常是特定的医疗状态，包括疾病、症状和其他与健康相关的特征或问题。条件也可用于描述其他临床人类现象，例如程序、治疗以及某些基因的存在或缺失。

Gene Ontology（GO）提供了我们当前科学知识的计算表示，这些知识涉及从人类到细菌的许多不同生物体的基因功能（或者更确切地说，是由基因产生的蛋白质和非编码RNA分子）。它被广泛用于支持科学研究，并被成千上万的出版物引用。

大规模药物重定位知识图谱（DRKG）是一种涉及基因、化合物、疾病、生物学过程、副作用和症状的综合性生物知识图。它收集来自DrugBank、Hetionet、GNBR、String、IntAct 、DGIdb六个数据库的信息，以及从最近的出版物收集的数据，特别是与COVID19相关的数据。共包含13种实体类型的97238个实体，以及分属于107种关系类型的5874261个三元组数据。