論文の概要: Shifu2: A Network Representation Learning Based Model for
Advisor-advisee Relationship Mining
- arxiv url: http://arxiv.org/abs/2008.07097v1
- Date: Mon, 17 Aug 2020 05:40:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-28 03:26:30.354356
- Title: Shifu2: A Network Representation Learning Based Model for
Advisor-advisee Relationship Mining
- Title(参考訳): shifu2: 助言者関係マイニングのためのネットワーク表現学習モデル
- Authors: Jiaying Liu, Feng Xia, Lei Wang, Bo Xu, Xiangjie Kong, Hanghang Tong,
and Irwin King
- Abstract要約: 本稿では,ネットワーク表現学習(NRL)に基づく新しいモデル,すなわちshifu2を提案する。
Shifu2は、コラボレーションネットワークを入力とし、特定アドバイザ・アドバイザー関係を出力とする。
そこで我々は,Shifu2を利用した大規模学術系譜データセットを作成した。
- 参考スコア(独自算出の注目度): 82.75996880087747
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The advisor-advisee relationship represents direct knowledge heritage, and
such relationship may not be readily available from academic libraries and
search engines. This work aims to discover advisor-advisee relationships hidden
behind scientific collaboration networks. For this purpose, we propose a novel
model based on Network Representation Learning (NRL), namely Shifu2, which
takes the collaboration network as input and the identified advisor-advisee
relationship as output. In contrast to existing NRL models, Shifu2 considers
not only the network structure but also the semantic information of nodes and
edges. Shifu2 encodes nodes and edges into low-dimensional vectors
respectively, both of which are then utilized to identify advisor-advisee
relationships. Experimental results illustrate improved stability and
effectiveness of the proposed model over state-of-the-art methods. In addition,
we generate a large-scale academic genealogy dataset by taking advantage of
Shifu2.
- Abstract(参考訳): 顧問・顧問関係は直接的な知識の遺産であり、学術図書館や検索エンジンから簡単には利用できない。
この研究は、科学的コラボレーションネットワークの背後に隠されたアドバイザーと助言の関係を見つけることを目的としている。
そこで本研究では,ネットワーク表現学習(NRL, Network Representation Learning, NRL)に基づく新しいモデルを提案する。
既存のNRLモデルとは対照的に、Shifu2はネットワーク構造だけでなく、ノードやエッジの意味情報も考慮している。
Shifu2はノードとエッジをそれぞれ低次元ベクトルにエンコードし、それぞれがアドバイザ・アドバイザーの関係を識別するために使用される。
実験の結果, 提案手法の安定性と有効性が向上した。
さらに,シフ2を利用した大規模学術系譜データセットを作成した。
関連論文リスト
- Kolmogorov-Arnold Network Autoencoders [0.0]
Kolmogorov-Arnold Networks (KAN)はMulti-Layer Perceptrons (MLP)に代わる有望な代替品である。
カンはコルモゴロフ・アルノルドの表現定理と密接に一致し、モデル精度と解釈可能性の両方を高める可能性がある。
この結果から,kanベースのオートエンコーダは復元精度の点で競争力を発揮することが示された。
論文 参考訳(メタデータ) (2024-10-02T22:56:00Z) - Modeling Balanced Explicit and Implicit Relations with Contrastive
Learning for Knowledge Concept Recommendation in MOOCs [1.0377683220196874]
既存の手法は、推薦のためのユーザと知識概念との明確な関係に依存している。
MOOCプラットフォーム上のユーザの学習活動には、暗黙の関係が多数発生している。
本研究では,明示的・暗黙的な関係を表現・バランスできる,対照的な学習に基づく新しい枠組みを提案する。
論文 参考訳(メタデータ) (2024-02-13T07:12:44Z) - Privacy-Preserving Representation Learning for Text-Attributed Networks
with Simplicial Complexes [24.82096971322501]
simplicial Complex (RT4SC) のためのテキスト属性を用いた学習ネットワーク表現について, simplicial Neural Network (SNN) を用いて検討する。
SNNの表現出力に対する2つの潜在的攻撃について検討する。
本稿では,SNNからセキュアな表現出力を学習するための乗算器のプライバシー保護決定性差分的個人交互方向法について検討する。
論文 参考訳(メタデータ) (2023-02-09T00:32:06Z) - A Node-collaboration-informed Graph Convolutional Network for Precise
Representation to Undirected Weighted Graphs [10.867583522217473]
グラフ畳み込みネットワーク(GCN)は、重み付きグラフ(UWG)に表現学習を行うために広く採用されている。
本研究は, ノード間の協調を, 対称潜在因子分析モデルを用いてモデル化し, ノード協調モジュールとしてGCNの協調損失を補うことを提案する。
このアイデアに基づいて、ノード協調インフォームドグラフ畳み込みネットワーク(NGCN)が3倍のアイデアで提案されている。
論文 参考訳(メタデータ) (2022-11-30T02:20:19Z) - On Representation Knowledge Distillation for Graph Neural Networks [15.82821940784549]
我々は,教師がグラフデータを埋め込む方法のグローバルなトポロジを保存することが,GNNにとってより効果的な蒸留目標になるかどうかを検討する。
1)グローバル構造保存損失(GSP)と(2)グラフコントラスト表現蒸留(G-CRD)の2つの新しい手法を提案する。
論文 参考訳(メタデータ) (2021-11-09T06:22:27Z) - Learning Intents behind Interactions with Knowledge Graph for
Recommendation [93.08709357435991]
知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。
既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。
本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
論文 参考訳(メタデータ) (2021-02-14T03:21:36Z) - Self-supervised Graph Learning for Recommendation [69.98671289138694]
ユーザ・イテムグラフを用いた自己教師型学習を推奨する。
補助的自己監督タスクは、自己識別によるノード表現学習を強化する。
3つのベンチマークデータセットに関する実証的研究は、SGLの有効性を示す。
論文 参考訳(メタデータ) (2020-10-21T06:35:26Z) - Neural Networks Enhancement with Logical Knowledge [83.9217787335878]
関係データに対するKENNの拡張を提案する。
その結果、KENNは、存在関係データにおいても、基礎となるニューラルネットワークの性能を高めることができることがわかった。
論文 参考訳(メタデータ) (2020-09-13T21:12:20Z) - Relation-Guided Representation Learning [53.60351496449232]
本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。
私たちのフレームワークは、サンプル間の関係をよく保存します。
サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
論文 参考訳(メタデータ) (2020-07-11T10:57:45Z) - DEPARA: Deep Attribution Graph for Deep Knowledge Transferability [91.06106524522237]
本稿では,PR-DNNから学んだ知識の伝達可能性を検討するために,DreP Attribution gRAph (DEPARA)を提案する。
DEPARAでは、ノードは入力に対応し、PR-DNNの出力に関してベクトル化された属性マップで表現される。
2つのPR-DNNの知識伝達性は、対応するDEPARAの類似性によって測定される。
論文 参考訳(メタデータ) (2020-03-17T02:07:50Z)
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。