論文の概要: Structured Citation Trend Prediction Using Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2104.02562v1
- Date: Tue, 6 Apr 2021 14:58:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-07 13:50:48.532104
- Title: Structured Citation Trend Prediction Using Graph Neural Networks
- Title（参考訳）: グラフニューラルネットワークを用いた構造的引用トレンド予測
- Authors: Daniel Cummings, Marcel Nassar
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 6.325999141414098
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Academic citation graphs represent citation relationships between
publications across the full range of academic fields. Top cited papers
typically reveal future trends in their corresponding domains which is of
importance to both researchers and practitioners. Prior citation prediction
methods often require initial citation trends to be established and do not take
advantage of the recent advancements in graph neural networks (GNNs). We
present GNN-based architecture that predicts the top set of papers at the time
of publication. For experiments, we curate a set of academic citation graphs
for a variety of conferences and show that the proposed model outperforms other
classic machine learning models in terms of the F1-score.
- Abstract（参考訳）: 学術引用グラフは、学術分野全体の出版物間の引用関係を表す。
トップ引用論文は、研究者と実践者の両方にとって重要な、対応する領域における将来の傾向を明らかにするのが一般的である。
先行引用予測法は、しばしば初期引用傾向を確立する必要があり、グラフニューラルネットワーク(GNN)の最近の進歩を生かしていない。
我々は,出版時の論文の上位集合を予測する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一連の学術引用グラフをキュレートし,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。
関連論文リスト
- One Model for One Graph: A New Perspective for Pretraining with Cross-domain Graphs [61.9759512646523]
複雑なネットワークパターンをキャプチャする強力なツールとして、グラフニューラルネットワーク(GNN)が登場した。
既存のGNNには、慎重にドメイン固有のアーキテクチャ設計と、データセットのスクラッチからのトレーニングが必要です。
我々は、新しいクロスドメイン事前学習フレームワーク「1つのグラフのための1つのモデル」を提案する。
論文 参考訳（メタデータ） (2024-11-30T01:49:45Z) - 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) - Modeling Dynamic Heterogeneous Graph and Node Importance for Future
Citation Prediction [26.391252682418607]
論文の今後の引用傾向を予測するための動的ヘテロジニアスグラフとノード重要度ネットワーク(DGNI)学習フレームワークを提案する。
まず、学術ネットワーク全体の動的進化傾向を捉えるために、動的ヘテロジニアスネットワーク埋め込みモジュールが提供される。
各論文のノード重要度を明らかにするために,グローバルな一貫性関係を捉えるために,ノード重要度埋め込みモジュールを提案する。
論文 参考訳（メタデータ） (2023-05-27T08:53:26Z) - Citation Trajectory Prediction via Publication Influence Representation
Using Temporal Knowledge Graph [52.07771598974385]
既存のアプローチは主に学術論文の時間的データとグラフデータのマイニングに依存している。
本フレームワークは,差分保存グラフ埋め込み,きめ細かい影響表現,学習に基づく軌道計算という3つのモジュールから構成される。
APSアカデミックデータセットとAIPatentデータセットの両方で実験を行った。
論文 参考訳（メタデータ） (2022-10-02T07:43:26Z) - Graph Neural Networks for Graphs with Heterophily: A Survey [98.45621222357397]
異種グラフに対するグラフニューラルネットワーク(GNN)の総合的なレビューを提供する。
具体的には,既存の異好性GNNモデルを本質的に支配する系統分類法を提案する。
グラフヘテロフィリーと様々なグラフ研究領域の相関を議論し、より効果的なGNNの開発を促進することを目的とした。
論文 参考訳（メタデータ） (2022-02-14T23:07:47Z) - 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) - Benchmarking Graph Neural Networks on Link Prediction [80.2049358846658]
リンク予測のための異なるデータセット上で,既存のグラフニューラルネットワーク(GNN)モデルをベンチマークする。
実験により,これらのGNNアーキテクチャは,リンク予測タスクの様々なベンチマークでも同様に動作することを示す。
論文 参考訳（メタデータ） (2021-02-24T20:57:16Z) - 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) - A comparative study of similarity-based and GNN-based link prediction
approaches [1.0441880303257467]
グラフニューラルネットワーク(GNN)は、グラフ内のリンク予測タスクに使用できるグラフから隠れた特徴を学習することができる。
本稿では、同次グラフの領域における類似性とGNNに基づくリンク予測手法について検討する。
論文 参考訳（メタデータ） (2020-08-20T10:41:53Z) - Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph
Link Prediction [69.1473775184952]
数発のアウトオブグラフリンク予測という現実的な問題を導入する。
我々は,新しいメタ学習フレームワークによってこの問題に対処する。
我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
論文 参考訳（メタデータ） (2020-06-11T17:42:46Z)
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。