論文の概要: Virtual Proximity Citation (VCP): A Supervised Deep Learning Method to
Relate Uncited Papers On Grounds of Citation Proximity
- arxiv url: http://arxiv.org/abs/2009.13294v1
- Date: Fri, 25 Sep 2020 12:24:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-14 23:37:15.235985
- Title: Virtual Proximity Citation (VCP): A Supervised Deep Learning Method to
Relate Uncited Papers On Grounds of Citation Proximity
- Title（参考訳）: virtual proximity citation (vcp): 引用近接の理由から未引用論文を関連付ける教師付き深層学習法
- Authors: Rohit Rawat
- Abstract要約: 本稿では,仮想Citation Proximity (VCP) のアプローチについて議論する。
文書中の2つの引用の間の実際の距離は、基礎的な真実として使用される。
これは、2つの文書間の関連性を計算するために、たとえ文書が暗唱されていなくても、近接して引用されたであろう方法で計算することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Citation based approaches have seen good progress for recommending research
papers using citations in the paper. Citation proximity analysis which uses the
in-text citation proximity to find relatedness between two research papers is
better than co-citation analysis and bibliographic analysis. However, one
common problem which exists in each approach is that paper should be well
cited. If documents are not cited properly or not cited at all, then using
these approaches will not be helpful. To overcome the problem, this paper
discusses the approach Virtual Citation Proximity (VCP) which uses Siamese
Neural Network along with the notion of citation proximity analysis and
content-based filtering. To train this model, the actual distance between the
two citations in a document is used as ground truth, this distance is the word
count between the two citations. VCP is trained on Wikipedia articles for which
the actual word count is available which is used to calculate the similarity
between the documents. This can be used to calculate relatedness between two
documents in a way they would have been cited in the proximity even if the
documents are uncited. This approach has shown a great improvement in
predicting proximity with basic neural networks over the approach which uses
the Average Citation Proximity index value as the ground truth. This can be
improved by using a complex neural network and proper hyper tuning of
parameters.
- Abstract（参考訳）: 論文の引用を用いた研究論文の推薦には, 循環型アプローチがよい進展を見せている。
共引用分析や書誌解析よりも,テキスト内引用近接を用いて2つの研究論文間の関連性を見出す引用近接解析の方が優れている。
しかし、それぞれのアプローチに共通する問題は、論文をよく引用すべきことである。
文書が適切に引用されていないか、全く引用されていない場合は、これらのアプローチは役に立たない。
本稿では,この問題を解決するために,シアームニューラルネットワークを用いた仮想引用近接(vcp)アプローチと,引用近接解析とコンテンツベースフィルタリングの概念について述べる。
このモデルをトレーニングするために、文書中の2つの引用間の実際の距離を基底真実として、この距離は2つの引用間の単語カウントである。
VCPはウィキペディアの記事で訓練されており、実際の単語カウントは文書間の類似性を計算するために使用される。
これは、2つの文書間の関係性を、たとえその文書が引用されていなくても、近接して引用されたであろう方法で計算するのに使うことができる。
このアプローチは、平均Citation Proximity指数値を基底真理として用いたアプローチよりも、基本的ニューラルネットワークに近接する予測を大幅に改善した。
これは複雑なニューラルネットワークとパラメータの適切なハイパーチューニングを使用することで改善できる。
関連論文リスト
- HLM-Cite: Hybrid Language Model Workflow for Text-based Scientific Citation Prediction [14.731720495144112]
本稿では,表面的な言及を超越した批判的参照を識別する,コア引用という新しい概念を紹介する。
我々は、引用予測のための$textbfH$ybrid $textbfL$anguage $textbfM$odelワークフローである$textbfHLM-Citeを提案する。
我々はHLM-Citeを19分野にわたって評価し,SOTA法と比較して17.6%の性能向上を示した。
論文 参考訳（メタデータ） (2024-10-10T10:46:06Z) - Directed Criteria Citation Recommendation and Ranking Through Link Prediction [0.32885740436059047]
本モデルでは,各文書の意味を要約ネットワーク内のノードとして符号化するために,トランスフォーマーベースのグラフ埋め込みを用いる。
我々のモデルが生成するセマンティック表現は、推薦タスクやランキングタスクにおいて、他のコンテントベースの手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-03-18T20:47:38Z) - 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) - When Large Language Models Meet Citation: A Survey [37.01594297337486]
大規模言語モデル(LLM)は、対応するテキストコンテキストを介して詳細な引用情報を取得するのに役立つ。
キュリオシティはまた、科学論文間のつながりを確立し、高品質な文書間関係を提供する。
本稿では, 引用分類, 引用に基づく要約, 引用レコメンデーションを含む, テキスト内引用分析タスクへのLLMの適用について概説する。
論文 参考訳（メタデータ） (2023-09-18T12:48:48Z) - Query Expansion Using Contextual Clue Sampling with Language Models [69.51976926838232]
本稿では,実効的なフィルタリング戦略と検索した文書の融合の組み合わせを,各文脈の生成確率に基づいて提案する。
我々の語彙マッチングに基づくアプローチは、よく確立された高密度検索モデルDPRと比較して、同様のトップ5/トップ20検索精度と上位100検索精度を実現する。
エンド・ツー・エンドのQAでは、読者モデルも我々の手法の恩恵を受けており、いくつかの競争基準に対してエクサクト・マッチのスコアが最も高い。
論文 参考訳（メタデータ） (2022-10-13T15:18:04Z) - 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) - Towards generating citation sentences for multiple references with
intent control [86.53829532976303]
We build a novel generation model with the Fusion-in-Decoder approach to handlee with multiple long inputs。
実験により,提案手法は引用文を生成するためのより包括的な特徴を提供することが示された。
論文 参考訳（メタデータ） (2021-12-02T15:32:24Z) - 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) - Dual Attention Model for Citation Recommendation [7.244791479777266]
我々は「引用レコメンデーションのためのデュアルアテンションモデル」と呼ばれる新しい埋め込み型ニューラルネットワークを提案する。
ニューラルネットワークは、3つの入力(ローカルコンテキストワード、セクション、構造コンテキスト)の埋め込みと、コンテキストに現れる対象の引用との類似性を最大化するように設計されている。
論文 参考訳（メタデータ） (2020-10-01T02:41:47Z) - Learning Neural Textual Representations for Citation Recommendation [7.227232362460348]
サブモジュラースコアリング機能において,シームズとトリプルトネットワークを併用した文書(センテンス-BERT)の深部表現を用いた引用推薦手法を提案する。
我々の知る限りでは、これは引用推薦のタスクに対して、ディープ表現とサブモジュラー選択を組み合わせるための最初のアプローチである。
論文 参考訳（メタデータ） (2020-07-08T12:38:50Z) - Context-Based Quotation Recommendation [60.93257124507105]
本稿では,新しい文脈対応引用レコメンデーションシステムを提案する。
これは、所定のソース文書から引用可能な段落とトークンの列挙リストを生成する。
音声テキストと関連するニュース記事の収集実験を行う。
論文 参考訳（メタデータ） (2020-05-17T17:49:53Z)
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。