MedKGent: A Large Language Model Agent Framework for Constructing Temporally Evolving Medical Kno...

MedKGent相关总结与翻译

一、文章主要内容总结

（一）研究背景

医疗文献数量飞速增长，给领域知识的规模化结构化与整合带来巨大挑战。知识图谱（KGs）虽能实现高效检索、自动推理和知识发现，但现有构建方法存在局限：依赖泛化性有限的有监督流水线，或简单聚合大语言模型（LLMs）输出，将生物医学语料视为静态，忽略知识的时间动态性与语境不确定性。

（二）核心框架：MedKGent

1. 数据基础：选取1975-2023年发表的超1000万篇PubMed摘要，按细粒度每日时间序列组织，模拟生物医学知识的涌现过程。
2. 两大核心Agent：均基于Qwen2.5-32B-Instruct模型构建，以每日增量方式构建知识图谱。
   • Extractor Agent（提取器代理）：识别知识三元组，通过基于采样的估计方法分配置信度分数，过滤低置信度提取结果，并为提取的实体和关系补充详细属性信息，为下游处理提供依据。
   • Constructor Agent（构造器代理）：将保留的三元组增量整合到随时间演化的图谱中，依据置信度分数和时间戳强化重复出现的知识，解决知识冲突问题。
3. 知识图谱成果：最终构建的知识图谱包含156275个实体和2971384个关系三元组，是目