Query-conditioned knowledge alignment for cross-system medical reasoning

Jiao, Yan

doi:10.1016/j.knosys.2026.116717

Query-conditioned knowledge alignment for cross-system medical reasoning

2026-07-01

0

PRE

AI

DOI：10.1016/j.knosys.2026.116717

原文链接

原文求助

摘要

En 中文

跨域知识对齐对于整合异构医疗系统至关重要，但现有方法通常将实体对齐视为静态匹配问题，忽略了查询上下文和跨系统不对称性。这一局限性在整合医疗场景中尤为关键，因为概念间的对应关系本质上具有上下文依赖性、非双射性和方向敏感性。在本文中，我们提出查询条件实体对齐（QCEA），将实体对齐重新表述为查询条件对应问题。与学习实体表示的固定映射不同，QCEA将源实体的文本描述视为查询，并对目标图中的候选实体进行排序，支持描述依赖的对齐。该框架整合了领域特定的语义编码、基于图表示学习和方向感知变换模块，以捕获异构知识系统间的非对称和多对多对应关系。我们在从SymMap派生的TCM-WM知识图上评估了QCEA，涵盖了症状对齐和草药-分子对齐任务。实验结果表明，与代表性基线相比，QCEA在性能上具有竞争力或得到提升，尤其在Hit@K和MRR等排名敏感指标上表现突出。此外，下游检索增强生成（RAG）实验表明，改进的对齐能够带来更好的证据检索、更强的实体锚定和更高的答案准确率。这些发现表明，对齐不仅是数据整合步骤，更是跨系统医疗推理中知识检索和实体锚定的重要上游因素。

Keyword:

Entity alignment

Knowledge graphs

Query-conditioned ranking

Cross-system medical knowledge integration

Retrieval-augmented generation

Query-conditioned knowledge alignment for cross-system medical reasoning

摘要

期刊

机构

引用论文