論文の概要: A Novel Paper Recommendation Method Empowered by Knowledge Graph: for
Research Beginners
- arxiv url: http://arxiv.org/abs/2103.08819v1
- Date: Tue, 16 Mar 2021 03:06:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-17 13:20:01.284434
- Title: A Novel Paper Recommendation Method Empowered by Knowledge Graph: for
Research Beginners
- Title（参考訳）: ナレッジグラフを活用した新しい論文推薦法:研究初心者に向けて
- Authors: Bangchao Wang (1 and 2), Ziyang Weng (1), Yanping Wang (3) ((1) School
of Mathematics and Computer Science, Wuhan Textile University, Wuhan, China,
(2) School of Computer Science, Wuhan University, Wuhan, China, (3) School of
Information Management, Wuhan University, Wuhan, China)
- Abstract要約: マスタースレーブ」なドメイン知識グラフは、ユーザの要求をより正確に表現し、レコメンデーションシステムが知識をより正確に表現するのに役立つ。
実験結果は,提案手法を用いた研究初心者によるクロスドメインシナリオにおける新しい技術論文の取得の可能性を示した。
- 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: Searching for papers from different academic databases is the most commonly
used method by research beginners to obtain cross-domain technical solutions.
However, it is usually inefficient and sometimes even useless because
traditional search methods neither consider knowledge heterogeneity in
different domains nor build the bottom layer of search, including but not
limited to the characteristic description text of target solutions and
solutions to be excluded. To alleviate this problem, a novel paper
recommendation method is proposed herein by introducing "master-slave" domain
knowledge graphs, which not only help users express their requirements more
accurately but also helps the recommendation system better express knowledge.
Specifically, it is not restricted by the cold start problem and is a
challenge-oriented method. To identify the rationality and usefulness of the
proposed method, we selected two cross-domains and three different academic
databases for verification. The experimental results demonstrate the
feasibility of obtaining new technical papers in the cross-domain scenario by
research beginners using the proposed method. Further, a new research paradigm
for research beginners in the early stages is proposed herein.
- Abstract（参考訳）: 異なる学術データベースから論文を検索することは、研究初心者がクロスドメイン技術ソリューションを得るために最もよく使われる方法である。
しかし、従来の検索手法では、異なるドメインにおける知識の不均一性を考慮せず、検索の下位層を構築しておらず、対象とするソリューションやソリューションの特性記述テキストに制限されないため、通常は非効率であり、時には役に立たない。
この問題を軽減するために, 利用者の要求をより正確に表現するだけでなく, 知識をより表現しやすい「マスタースレーブ」ドメイン知識グラフを導入することにより, 新たな論文推薦手法を提案する。
具体的には、コールドスタート問題に制限されず、チャレンジ指向の手法である。
提案手法の合理性と有用性を明らかにするため、2つのクロスドメインと3つの異なる学術データベースを選択した。
実験の結果,提案手法を用いた研究初心者によるクロスドメインシナリオにおける新たな技術論文の取得が可能となった。
さらに, 初期段階における研究初心者のための新たな研究パラダイムを提案する。
関連論文リスト
- A Framework for Guided Motion Planning [1.179253400575852]
我々は、ガイド空間の概念を定義することにより、ガイド付き探索の概念を定式化する。
この新しい言語は、同じフレームワークの下で、明らかに異なる先行メソッドをカプセル化している。
本稿では,既知のアルゴリズムでテストした場合の直感と実験的に一致したガイダンスを評価するための情報理論手法を提案する。
論文 参考訳（メタデータ） (2024-04-04T00:58:19Z) - Embedding in Recommender Systems: A Survey [67.67966158305603]
重要な側面は、ユーザやアイテムIDといった高次元の離散的な特徴を低次元連続ベクトルに包含する技法である。
埋め込み技術の適用は複雑なエンティティ関係を捉え、かなりの研究を刺激している。
この調査では、協調フィルタリング、自己教師付き学習、グラフベースのテクニックなどの埋め込み手法を取り上げている。
論文 参考訳（メタデータ） (2023-10-28T06:31:06Z) - Guided Depth Map Super-resolution: A Survey [88.54731860957804]
誘導深度マップ超解像(GDSR)は、高分解能(HR)深度マップを低分解能(LR)観測から2枚のHRカラー画像の助けを借りて再構成することを目的としている。
近年,特に強力な深層学習技術を用いて,斬新で効果的なアプローチが多数提案されている。
この調査は、GDSRの最近の進歩に関する包括的調査を提示する試みである。
論文 参考訳（メタデータ） (2023-02-19T15:43:54Z) - Review-Based Domain Disentanglement without Duplicate Users or Contexts
for Cross-Domain Recommendation [1.2074552857379273]
クロスドメインレコメンデーションは、データスパーシリティとコールドスタート問題を解決する上で有望な結果を示している。
我々のモデル(SER)は、3つのテキスト解析モジュールを使用し、1つのドメイン識別器で案内され、非絡み合い表現学習を行う。
論文 参考訳（メタデータ） (2021-10-25T05:17:58Z) - A Survey on Deep Semi-supervised Learning [51.26862262550445]
まず,既存の手法を分類した深層半指導学習の分類法を提案する。
次に、損失の種類、貢献度、アーキテクチャの違いの観点から、これらのメソッドを詳細に比較します。
論文 参考訳（メタデータ） (2021-02-28T16:22:58Z) - Unsupervised Neural Domain Adaptation for Document Image Binarization [13.848843012433187]
本稿では,ニューラルネットワークとドメイン適応(DA)を組み合わせて,教師なし文書のバイナライゼーションを行う手法を提案する。
その結果,ラベル付きデータを必要とせず,新たな文書領域の双対化をうまく処理できることが示唆された。
論文 参考訳（メタデータ） (2020-12-02T13:42:38Z) - A Theory of Multiple-Source Adaptation with Limited Target Labeled Data [66.53679520072978]
モデル選択のアイデアに基づく新しいアルゴリズムのファミリーは,このシナリオにおいて非常に望ましい保証から恩恵を受けることを示す。
また,本アルゴリズムの実用性を示すいくつかの実験結果についても報告する。
論文 参考訳（メタデータ） (2020-07-19T19:34:48Z) - A Prescription of Methodological Guidelines for Comparing Bio-inspired Optimization Algorithms [15.803264424018488]
本稿では,新しいバイオインスパイアされたアルゴリズムの提案を成功させるための方法論的ガイドラインを提案する。
著者らが報告した結果は、過去の結果よりも大幅に進歩することが証明されるべきである。
我々は、これらのガイドラインが著者だけでなく、レビュアーや編集者にも有用であると期待している。
論文 参考訳（メタデータ） (2020-04-19T04:46:45Z) - Recommendation system using a deep learning and graph analysis approach [1.2183405753834562]
本稿では,行列係数化とグラフ解析に基づく新しい推薦手法を提案する。
さらに,ディープオートエンコーダを利用してユーザやアイテムの潜伏要因を初期化し,ディープ埋め込み手法によってユーザの潜伏要因をユーザ信頼グラフから収集する。
論文 参考訳（メタデータ） (2020-04-17T08:05:33Z) - There and Back Again: Revisiting Backpropagation Saliency Methods [87.40330595283969]
正当性法は,各入力サンプルの重要度マップを作成することによって,モデルの予測を説明する。
このような手法の一般的なクラスは、信号のバックプロパゲートと結果の勾配の分析に基づいている。
本稿では,そのような手法を統一可能な単一のフレームワークを提案する。
論文 参考訳（メタデータ） (2020-04-06T17:58:08Z) - A Survey on Knowledge Graph-Based Recommender Systems [65.50486149662564]
我々は知識グラフに基づく推薦システムの体系的な調査を行う。
論文は、知識グラフを正確かつ説明可能なレコメンデーションにどのように活用するかに焦点を当てる。
これらの作業で使用されるデータセットを紹介します。
論文 参考訳（メタデータ） (2020-02-28T02:26:30Z)
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。