論文の概要: ImpactCite: An XLNet-based method for Citation Impact Analysis
- arxiv url: http://arxiv.org/abs/2005.06611v1
- Date: Tue, 5 May 2020 08:31:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-06 14:25:08.677759
- Title: ImpactCite: An XLNet-based method for Citation Impact Analysis
- Title（参考訳）: ImpactCite: XLNetを用いたCitation Impact Analysisの手法
- Authors: Dominique Mercier, Syed Tahseen Raza Rizvi, Vikas Rajashekar, Andreas
Dengel, Sheraz Ahmed
- Abstract要約: インパクト分析により、引用の質を定量化できます。
XLNetベースのソリューションであるImpactCiteは、引用意図と感情分類の両方に対して、最先端のパフォーマンスを実現する。
CSC-Clean corpusは引用感情分類のためのクリーンで信頼性の高いデータセットである。
- 参考スコア（独自算出の注目度）: 4.526582372434088
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Citations play a vital role in understanding the impact of scientific
literature. Generally, citations are analyzed quantitatively whereas
qualitative analysis of citations can reveal deeper insights into the impact of
a scientific artifact in the community. Therefore, citation impact analysis
(which includes sentiment and intent classification) enables us to quantify the
quality of the citations which can eventually assist us in the estimation of
ranking and impact. The contribution of this paper is two-fold. First, we
benchmark the well-known language models like BERT and ALBERT along with
several popular networks for both tasks of sentiment and intent classification.
Second, we provide ImpactCite, which is XLNet-based method for citation impact
analysis. All evaluations are performed on a set of publicly available citation
analysis datasets. Evaluation results reveal that ImpactCite achieves a new
state-of-the-art performance for both citation intent and sentiment
classification by outperforming the existing approaches by 3.44% and 1.33% in
F1-score. Therefore, we emphasize ImpactCite (XLNet-based solution) for both
tasks to better understand the impact of a citation. Additional efforts have
been performed to come up with CSC-Clean corpus, which is a clean and reliable
dataset for citation sentiment classification.
- Abstract（参考訳）: 引用は科学文学の影響を理解する上で重要な役割を果たす。
一般的に、引用は定量的に分析されるが、引用の質的分析は、コミュニティにおける科学的アーティファクトの影響に関する深い洞察を明らかにする。
したがって、引用インパクト分析(感情と意図の分類を含む)は、最終的にランク付けと影響の推定を支援する引用の質を定量化することができる。
この論文の貢献は2つある。
まず,BERT や ALBERT などの有名な言語モデルと,感情分類と意図分類の両タスクのための人気ネットワークをベンチマークする。
第2に,xlnetに基づく引用衝撃解析手法であるimpactciteを提案する。
すべての評価は、公開されている引用分析データセットのセットで実行される。
評価の結果、impactciteは、既存のアプローチを3.44%、f1-scoreで1.33%上回ることで、引用意図と感情分類の両方において新たな最先端のパフォーマンスを達成していることがわかった。
そこで本研究では,各タスクに対するImpactCite(XLNetベースのソリューション)を強調し,引用の効果をよりよく理解する。
CSC-Clean corpusは引用感情分類のためのクリーンで信頼性の高いデータセットである。
関連論文リスト
- Why do you cite? An investigation on citation intents and decision-making classification processes [1.7812428873698407]
本研究は,引用意図を信頼して分類することの重要性を強調する。
本稿では,citation Intent Classification (CIC) のための高度なアンサンブル戦略を用いた研究について述べる。
我々のモデルの1つは、SciCiteベンチマークで89.46%のマクロF1スコアを持つ新しい最先端(SOTA)として設定されている。
論文 参考訳（メタデータ） (2024-07-18T09:29:33Z) - Towards Fine-Grained Citation Evaluation in Generated Text: A Comparative Analysis of Faithfulness Metrics [22.041561519672456]
大型言語モデル(LLM)は、しばしば「幻覚」として知られる、サポートされていない、または検証できないコンテンツを生成している。
本稿では,3段階のサポートレベル間での引用を識別する上で,メトリクスの有効性を評価するための比較評価フレームワークを提案する。
以上の結果から,全ての評価において一貫した指標が得られず,きめ細かな支援評価の複雑さが明らかとなった。
論文 参考訳（メタデータ） (2024-06-21T15:57:24Z) - ALiiCE: Evaluating Positional Fine-grained Citation Generation [54.19617927314975]
本稿では,微細な引用生成のための最初の自動評価フレームワークであるALiiCEを提案する。
我々のフレームワークはまず、文のクレームを依存性分析によって原子クレームに解析し、次に原子クレームレベルでの引用品質を計算する。
複数大言語モデルの2つの長文QAデータセット上での位置的きめ細かな引用生成性能を評価する。
論文 参考訳（メタデータ） (2024-06-19T09:16:14Z) - CausalCite: A Causal Formulation of Paper Citations [80.82622421055734]
CausalCiteは紙の意義を測定するための新しい方法だ。
これは、従来のマッチングフレームワークを高次元のテキスト埋め込みに適応させる、新しい因果推論手法であるTextMatchに基づいている。
科学専門家が報告した紙衝撃と高い相関性など,各種基準におけるCausalCiteの有効性を実証する。
論文 参考訳（メタデータ） (2023-11-05T23:09:39Z) - Predicting Long-Term Citations from Short-Term Linguistic Influence [20.78217545537925]
研究論文の影響の基準尺度は、その引用回数である。
本稿では,タイムスタンプによる文書収集における言語的影響の定量化手法を提案する。
論文 参考訳（メタデータ） (2022-10-24T22:03:26Z) - Deep Graph Learning for Anomalous Citation Detection [55.81334139806342]
本稿では,新たな深層グラフ学習モデルであるGLAD(Graph Learning for Anomaly Detection)を提案する。
GLADフレームワーク内ではCPU(Citation PUrpose)と呼ばれるアルゴリズムが提案され,引用テキストに基づく引用の目的が明らかになった。
論文 参考訳（メタデータ） (2022-02-23T09:05:28Z) - Semantic Analysis for Automated Evaluation of the Potential Impact of
Research Articles [62.997667081978825]
本稿では,情報理論に基づくテキスト意味のベクトル表現のための新しい手法を提案する。
この情報意味論がLeicester Scientific Corpusに基づいてテキスト分類にどのように使用されるかを示す。
テキストの意味を表現するための情報的アプローチは,研究論文の科学的影響を効果的に予測する方法であることを示す。
論文 参考訳（メタデータ） (2021-04-26T20:37:13Z) - Enhancing Scientific Papers Summarization with Citation Graph [78.65955304229863]
引用グラフを用いて科学論文の要約作業を再定義します。
我々は,141kの研究論文を異なる領域に格納した,新しい科学論文要約データセットセマンティックスタディネットワーク(ssn)を構築した。
我々のモデルは、事前訓練されたモデルと比較して競争性能を達成することができる。
論文 参考訳（メタデータ） (2021-04-07T11:13:35Z) - Weakly-Supervised Aspect-Based Sentiment Analysis via Joint
Aspect-Sentiment Topic Embedding [71.2260967797055]
アスペクトベース感情分析のための弱教師付きアプローチを提案する。
We learn sentiment, aspects> joint topic embeddeds in the word embedding space。
次に、ニューラルネットワークを用いて単語レベルの識別情報を一般化する。
論文 参考訳（メタデータ） (2020-10-13T21:33:24Z) - Fine-tuning Pre-trained Contextual Embeddings for Citation Content
Analysis in Scholarly Publication [0.3997680012976965]
本稿では,そのタスクに対して,事前学習したコンテキスト埋め込み ULMFiT,BERT,XLNet を微調整する。
引用関数の同定では、XLNetモデルは、それぞれDFKI、UMICH、TKDE 2019データセットで87.2%、86.90%、81.6%を達成した。
我々の手法は、学者や学術出版物の影響力分析を強化するのに利用できる。
論文 参考訳（メタデータ） (2020-09-12T17:46:24Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。