論文の概要: Longitudinal Citation Prediction using Temporal Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2012.05742v2
- Date: Thu, 15 Apr 2021 14:48:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-15 06:37:57.154213
- Title: Longitudinal Citation Prediction using Temporal Graph Neural Networks
- Title（参考訳）: 時相グラフニューラルネットワークを用いた縦振動予測
- Authors: Andreas Nugaard Holm, Barbara Plank, Dustin Wright, Isabelle
Augenstein
- Abstract要約: シーケンス引用予測のタスクを紹介します。
目標は、学術研究が経時的に受ける引用回数の軌跡を正確に予測することである。
- 参考スコア（独自算出の注目度）: 27.589741169713825
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Citation count prediction is the task of predicting the number of citations a
paper has gained after a period of time. Prior work viewed this as a static
prediction task. As papers and their citations evolve over time, considering
the dynamics of the number of citations a paper will receive would seem
logical. Here, we introduce the task of sequence citation prediction. The goal
is to accurately predict the trajectory of the number of citations a scholarly
work receives over time. We propose to view papers as a structured network of
citations, allowing us to use topological information as a learning signal.
Additionally, we learn how this dynamic citation network changes over time and
the impact of paper meta-data such as authors, venues and abstracts. To
approach the new task, we derive a dynamic citation network from Semantic
Scholar spanning over 42 years. We present a model which exploits topological
and temporal information using graph convolution networks paired with sequence
prediction, and compare it against multiple baselines, testing the importance
of topological and temporal information and analyzing model performance. Our
experiments show that leveraging both the temporal and topological information
greatly increases the performance of predicting citation counts over time.
- Abstract（参考訳）: 引用数予測 (citation count prediction) は、紙が一定時間後に得た引用数を予測するタスクである。
以前の作業では、これを静的予測タスクと見なしていた。
論文とその引用が時間とともに進化するにつれて、論文が受け取る引用数のダイナミクスを考えると論理的に思える。
本稿では,シーケンス励磁予測の課題を紹介する。
目標は、学術研究が経時的に受ける引用回数の軌跡を正確に予測することである。
我々は,論文を引用の構造化ネットワークとみなし,トポロジカルな情報を学習信号として用いることを提案する。
さらに,この動的引用ネットワークが時間とともにどのように変化するか,著者や会場,要約といった紙メタデータの影響も学習する。
新しい課題にアプローチするために,42年以上にわたるSemantic Scholarから動的励振ネットワークを導出した。
本稿では,グラフ畳み込みネットワークとシーケンス予測を組み合わせてトポロジ的・時間的情報を利用するモデルを提案し,それを複数のベースラインと比較し,トポロジ的・時間的情報の重要性を検証し,モデル性能を解析する。
実験の結果,時間的・トポロジカルな情報を活用することで,引用回数の予測性能が大きく向上することがわかった。
関連論文リスト
- Temporal Graph Neural Network-Powered Paper Recommendation on Dynamic Citation Networks [4.666226480911492]
本稿では,紙レコメンデーション戦略に時間的次元を導入する。
中心となる考え方は、新しい引用関係が現れたときに紙の埋め込みを継続的に更新することである。
リカレントニューラルネットワーク(RNN)に基づく学習可能なメモリ更新モジュールを使用して、埋め込みの進化を研究する。
論文 参考訳（メタデータ） (2024-08-27T19:10:21Z) - Time to Cite: Modeling Citation Networks using the Dynamic Impact
Single-Event Embedding Model [0.33123773366516646]
引用ネットワークはシングルイベント動的ネットワークの顕著な例である。
このような単一イベントネットワークのキャラクタリゼーションのための新しい可能性関数を提案する。
Dynamic Impact Single-Event Embedding Model (DISEE)は、静的潜伏距離ネットワークの埋め込みアプローチを古典的な動的影響評価と照合する。
論文 参考訳（メタデータ） (2024-02-28T22:59:26Z) - CiteBench: A benchmark for Scientific Citation Text Generation [69.37571393032026]
CiteBenchは引用テキスト生成のベンチマークである。
CiteBenchのコードはhttps://github.com/UKPLab/citebench.comで公開しています。
論文 参考訳（メタデータ） (2022-12-19T16:10:56Z) - Scientific Paper Extractive Summarization Enhanced by Citation Graphs [50.19266650000948]
我々は、引用グラフを活用して、異なる設定下での科学的論文の抽出要約を改善することに重点を置いている。
予備的な結果は、単純な教師なしフレームワークであっても、引用グラフが有用であることを示している。
そこで我々は,大規模ラベル付きデータが利用可能である場合のタスクにおいて,より正確な結果を得るために,グラフベースのスーパービジョン・サムライゼーション・モデル(GSS)を提案する。
論文 参考訳（メタデータ） (2022-12-08T11:53:12Z) - 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) - Temporal Graph Network Embedding with Causal Anonymous Walks
Representations [54.05212871508062]
本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。
評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。
欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
論文 参考訳（メタデータ） (2021-08-19T15:39:52Z) - Scientometric engineering: Exploring citation dynamics via arXiv eprints [0.0]
本稿では,arXiv上の150万以上の電子プリントの引用データについて検討する。
典型的成長パターンと可溶化パターンは, 分野によって異なることが判明した。
我々は, 励起成長と可溶化の観測量的, 時間的特性に整合したモデルを導出した。
論文 参考訳（メタデータ） (2021-06-09T12:38:44Z) - 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) - Structured Citation Trend Prediction Using Graph Neural Networks [6.325999141414098]
本論文では,公開時に論文のトップセットを予測するGNNベースのアーキテクチャを提案する。
実験では,さまざまなカンファレンスを対象とした学術的引用グラフの集合をキュレートし,提案モデルがF1スコアで他の古典的機械学習モデルより優れていることを示す。
論文 参考訳（メタデータ） (2021-04-06T14:58:29Z) - 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)
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。