ANCHOR-RE：用于扎根生物医学关系提取的代理神经符号框架

生物医学关系提取（BioRE）从生物医学文献中提取结构化知识，用于知识库构建和假设生成等应用。 SemRep 等传统符号系统提供高精度但召回率有限，而 大语言模型 (LLM) 提供更强的上下文推理，但仍然容易出现误报预测。我们开发了ANCHOR-RE，一个将本体引导推理、外部知识基础和数据驱动验证规则集成到LLM推理中的框架。我们使用专有和开放权重 LLM 在三个 BioRE 基准（SemRepGS、DDI 和 ChemProt）上对其进行了评估。为了评估基准数据集之外的普遍性，同时减少 LLM 预训练污染带来的潜在评估偏差，我们使用 2026 年发表的 100 篇生物医学文章进行了时间评估。借助专有主干网，ANCHOR-RE 的表现优于直接 LLM 提示，将 SemRepGS 上的 micro-F1 从 0.654 提高到 0.676，从 0.769 提高到 0.769。 DDI 上为 0.872，ChemProt 上为 0.939 至 0.941。在 DDI 和 ChemProt 上，它的性能也优于之前报道的仅推理方法，并且接近微调或指令调整的系统，而无需更新参数。使用开放权重 LLM 观察到的类似性能提升表明，好处不仅限于专有主干网。在截止后集上，对 500 个随机采样的预测进行手动评估，得出的精度为 69%，与以前未见过的生物医学文献保持一致的精度。神经符号推理可以提高基于 LLM 的 BioRE 的可靠性，而无需 微调。多个基准、模型系列和截止后文献的结果支持 Anchor-RE 作为生物医学文献挖掘的实用 无需训练 方法。