論文の概要: Utilizing Citation Network Structure to Predict Citation Counts: A Deep Learning Approach

• arxiv url: http://arxiv.org/abs/2009.02647v1
• Date: Sun, 6 Sep 2020 05:27:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-21 08:30:48.097561
• Title: Utilizing Citation Network Structure to Predict Citation Counts: A Deep Learning Approach
• Title（参考訳）: 引用数予測のための引用ネットワーク構造 : ディープラーニングによるアプローチ
• Authors: Qihang Zhao
• Abstract要約: 本稿では,情報カスケードの効果を組み合わせ,引用数予測問題に注目するエンド・ツー・エンドのディープラーニングネットワークであるDeepCCPを提案する。 6つの実データ集合の実験によると、DeepCCPは引用数予測の精度において最先端の手法よりも優れている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the advancement of science and technology, the number of academic papers published in the world each year has increased almost exponentially. While a large number of research papers highlight the prosperity of science and technology, they also give rise to some problems. As we all know, academic papers are the most intuitive embodiment of the research results of scholars, which can reflect the level of researchers. It is also the evaluation standard for decision-making such as promotion and allocation of funds. Therefore, how to measure the quality of an academic paper is very important. The most common standard for measuring academic papers is the number of citation counts of papers, because this indicator is widely used in the evaluation of scientific publications, and it also serves as the basis for many other indicators (such as the h-index). Therefore, it is very important to be able to accurately predict the citation counts of academic papers. This paper proposes an end-to-end deep learning network, DeepCCP, which combines the effect of information cascade and looks at the citation counts prediction problem from the perspective of information cascade prediction. DeepCCP directly uses the citation network formed in the early stage of the paper as the input, and the output is the citation counts of the corresponding paper after a period of time. DeepCCP only uses the structure and temporal information of the citation network, and does not require other additional information, but it can still achieve outstanding performance. According to experiments on 6 real data sets, DeepCCP is superior to the state-of-the-art methods in terms of the accuracy of citation count prediction.
• Abstract（参考訳）: 科学技術の発展に伴い、毎年世界中で発行される学術論文の数は、ほぼ指数関数的に増加した。 多くの研究論文が科学と技術の繁栄を強調する一方で、いくつかの問題も提起している。 誰もが知っているように、学術論文は研究結果の最も直感的な具体化であり、研究者のレベルを反映することができる。 また、資金調達や資金配分などの意思決定の評価基準でもある。 したがって、学術論文の質を測定する方法は非常に重要である。 学術論文を測定するための最も一般的な基準は論文の引用数であり、この指標は科学論文の評価に広く使われており、他の多くの指標(h-indexなど)の基礎にもなっている。 したがって、学術論文の引用数を正確に予測できることは非常に重要である。 本稿では,情報カスケードの効果を組み合わせたエンドツーエンドのディープラーニングネットワークであるDeepCCPを提案し,情報カスケード予測の観点から引用数予測問題を考察する。 DeepCCPは、紙の初期段階に形成された引用ネットワークを直接入力として使用し、その出力は一定期間後に対応する紙の引用数である。 deepccpは、引用ネットワークの構造と時間情報のみを使用し、他の追加情報を必要としないが、優れた性能を達成できる。 6つの実データ集合の実験によると、DeepCCPは引用数予測の精度において最先端の手法よりも優れている。

関連論文リスト

• CiMaTe: Citation Count Prediction Effectively Leveraging the Main Text [14.279848166377667]
  主文は引用数予測において重要な要素であるが,本文は典型的に非常に長いため,機械学習モデルでは処理が困難である。 本稿では,紙の断面構造を明示的に把握し,主文を利用したBERTに基づく引用数予測モデルCiMaTeを提案する。
  論文  参考訳（メタデータ） (2024-10-06T08:39:13Z)
• 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)
• Forgotten Knowledge: Examining the Citational Amnesia in NLP [63.13508571014673]
  論文を引用するのにどれくらいの時間がかかったのか、どのようにして変化したのか、そしてこの引用的注意/記憶に相関する要因は何か。 引用論文の約62%が出版直前の5年間のものであり,約17%が10年以上前のものであることを示す。 1990年から2014年にかけて、引用論文の中央値と年齢の多様性は着実に増加してきたが、その後傾向が逆転し、現在のNLP論文は、時間的引用の多様性が極端に低い。
  論文  参考訳（メタデータ） (2023-05-29T18:30:34Z)
• Tag-Aware Document Representation for Research Paper Recommendation [68.8204255655161]
  本稿では,ユーザによって割り当てられたソーシャルタグに基づいて,研究論文の深い意味表現を活用するハイブリッドアプローチを提案する。 提案手法は,評価データが極めて少ない場合でも研究論文の推薦に有効である。
  論文  参考訳（メタデータ） (2022-09-08T09:13:07Z)
• 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)
• CitationIE: Leveraging the Citation Graph for Scientific Information Extraction [89.33938657493765]
  引用論文と引用論文の参照リンクの引用グラフを使用する。 最先端技術に対するエンド・ツー・エンドの情報抽出の大幅な改善を観察する。
  論文  参考訳（メタデータ） (2021-06-03T03:00:12Z)
• 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)
• Chronological Citation Recommendation with Time Preference [20.179186544131337]
  本論文では,異なるタイムスライスで発行される引用論文の確率分布であるユーザクエリに基づく時間優先度を予測する。 今回は、コンテンツベースのフィルタリングで得られた初期引用リストを再ランクします。
  論文  参考訳（メタデータ） (2021-01-19T13:18:05Z)
• Early Indicators of Scientific Impact: Predicting Citations with Altmetrics [0.0]
  altmetricsを使って、学術的な出版物が得る短期的および長期的な引用を予測する。 我々は,様々な分類モデルと回帰モデルを構築し,それらの性能を評価し,それらのタスクに最適なニューラルネットワークとアンサンブルモデルを見つける。
  論文  参考訳（メタデータ） (2020-12-25T16:25:07Z)
• Examining Citations of Natural Language Processing Literature [31.87319293259599]
  AAの論文の約56%が10回以上引用されている。 CL Journalは最も引用された論文があるが、近年は引用の優位性が低下している。 感情分類、アナフォラ分解能、およびエンティティ認識に関する論文は、最も中央値の引用がある。
  論文  参考訳（メタデータ） (2020-05-02T20:01:59Z)

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。