論文の概要: Chronological Citation Recommendation with Time Preference
- arxiv url: http://arxiv.org/abs/2101.07609v1
- Date: Tue, 19 Jan 2021 13:18:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-23 03:04:49.048693
- Title: Chronological Citation Recommendation with Time Preference
- Title（参考訳）: 時間選好による経年的引用推薦
- Authors: Shutian Ma, Heng Zhang, Chengzhi Zhang, Xiaozhong Liu
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 20.179186544131337
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Citation recommendation is an important task to assist scholars in finding
candidate literature to cite. Traditional studies focus on static models of
recommending citations, which do not explicitly distinguish differences between
papers that are caused by temporal variations. Although, some researchers have
investigated chronological citation recommendation by adding time related
function or modeling textual topics dynamically. These solutions can hardly
cope with function generalization or cold-start problems when there is no
information for user profiling or there are isolated papers never being cited.
With the rise and fall of science paradigms, scientific topics tend to change
and evolve over time. People would have the time preference when citing papers,
since most of the theoretical basis exist in classical readings that published
in old time, while new techniques are proposed in more recent papers. To
explore chronological citation recommendation, this paper wants to predict the
time preference based on user queries, which is a probability distribution of
citing papers published in different time slices. Then, we use this time
preference to re-rank the initial citation list obtained by content-based
filtering. Experimental results demonstrate that task performance can be
further enhanced by time preference and it's flexible to be added in other
citation recommendation frameworks.
- Abstract（参考訳）: 引用推薦は、研究者が引用する候補文献を見つけるのを助ける重要な課題である。
伝統的な研究は引用を推奨する静的モデルに焦点を当てており、時間変化によって引き起こされる論文の違いを明示的に区別していない。
しかし,時間関連機能の追加やテクスト的話題の動的モデル化により,経年的引用推薦について検討する研究者もいる。
これらのソリューションは、ユーザのプロファイリングに関する情報がない場合や、独立した論文が引用されない場合、機能の一般化やコールドスタートの問題に対処できない。
科学パラダイムの台頭と衰退に伴い、科学のトピックは時間とともに変化し進化する傾向がある。
古い時代に出版された古典的読解に理論的な基礎がほとんど存在するのに対し、より最近の論文では新しい技術が提案されているため、人々は論文の引用に時間的好みを持つだろう。
本論文は, 時系列引用の推奨を探索するために, ユーザクエリに基づいて, 異なる時間スライスで発行された論文を引用する確率分布である時間優先性を予測することを目的とする。
次に、この時間設定を用いて、コンテンツベースのフィルタリングによって得られた初期引用リストを再ランクする。
実験の結果、タスクパフォーマンスが時間優先によってさらに向上できることが示され、他の引用レコメンデーションフレームワークに追加するフレキシブルである。
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) - Explaining Relationships Among Research Papers [14.223038413516685]
本稿では,よりリッチな引用テキストを生成するための機能ベースのLLMプロンプト手法を提案する。
人間の好みと統合的書き方の間には強い相関関係がみられ,高いレベルの抽象的引用を好むことが示唆された。
論文 参考訳（メタデータ） (2024-02-20T23:38:39Z) - 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) - 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) - 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) - 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) - Longitudinal Citation Prediction using Temporal Graph Neural Networks [27.589741169713825]
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。
論文 参考訳（メタデータ） (2020-12-10T15:25:16Z) - Utilizing Citation Network Structure to Predict Citation Counts: A Deep
Learning Approach [0.0]
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。
論文 参考訳（メタデータ） (2020-09-06T05:27:50Z) - Citation Recommendation: Approaches and Datasets [20.47628019708079]
引用レコメンデーションは、あるテキストに対して引用を推奨するタスクを記述する。
近年,いくつかのアプローチと評価データセットが提案されている。
引用推薦に関する文献調査は行われていない。
論文 参考訳（メタデータ） (2020-02-17T13:59:50Z)
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。