ANCHOR-RE：用于有依据生物医学关系抽取的智能神经符号框架

研究团队提出ANCHOR-RE，一个将本体引导推理、外部知识参照和数据驱动验证规则整合到LLM推理中的智能神经符号框架，用于生物医学关系抽取。在SemRepGS、DDI和ChemProt三个基准上，使用专有和开源LLM评估，ANCHOR-RE在Micro-F1上优于直接提示，例如DDI从0.769提升至0.872，ChemProt从0.939提升至0.941。在2026年发表的100篇论文的时间外评估中，500个随机预测的精确度为69%。

此前生物医学关系抽取中，符号系统如SemRep精度高但召回率低，LLM上下文推理强但误报多。ANCHOR-RE结合两者，在不更新参数的情况下接近微调系统性能，并保持时间外数据的精度，表明神经符号方法可提升LLM在专业领域的可靠性，对减少虚构输出有意义。

ANCHOR-RE通过本体引导推理提供结构化约束，外部知识参照将实体与既有概念链接，数据驱动验证规则过滤不可信预测，三者协同注入LLM推理过程，减少幻觉并提升精确度。

对基于LLM的医疗知识图谱构建或文献挖掘产品，可减少人工校验成本，提高关系抽取的准确性。由于框架不依赖特定模型，可适配开源LLM，降低推理成本并提升结果可靠性，但当前尚无证据表明已集成至实际产品。

• 开发针对生物医学文献的自动化报告生成工具，利用ANCHOR-RE验证关系抽取结果，减少误报。
• 在医疗知识图谱平台集成ANCHOR-RE模块，提供高精度的关系抽取API，供研究人员使用。
• 基于ANCHOR-RE的时间外评估方法，构建持续监测LLM抽取精度的基准工具，用于产品迭代。
• 为开源社区提供ANCHOR-RE基准代码，促进神经符号推理在其他垂直领域复用。

• ANCHOR-RE在非英语生物医学文献上的表现未在证据中提及。
• 证据未说明ANCHOR-RE的计算开销与推理延迟。
• 在真实生产环境中的集成难度和性能边界未提供数据。
• 对于其他关系类型或领域（如药物副作用）的具体效果未知。