論文の概要: Citation network applications in a scientific co-authorship recommender
system
- arxiv url: http://arxiv.org/abs/2111.15466v1
- Date: Mon, 22 Nov 2021 14:59:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-06 02:38:06.039696
- Title: Citation network applications in a scientific co-authorship recommender
system
- Title（参考訳）: 科学共著者推薦システムにおける引用ネットワーク応用
- Authors: Vladislav Tishin (1 and 2), Artyom Sosedka (1 and 2), Peter Ibragimov
(2) and Vadim Porvatov (1 and 2) ((1) Sberbank, (2) National University of
Science and Technology MISIS)
- Abstract要約: 共著者ネットワーク上のリンク予測タスクにおいて、引用データを効果的に活用する新しいパイプラインを提案する。
特に、異なるグラフ上のデータ集約戦略に基づくレコメンデータシステムの機能について検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The problem of co-authors selection in the area of scientific collaborations
might be a daunting one. In this paper, we propose a new pipeline that
effectively utilizes citation data in the link prediction task on the
co-authorship network. In particular, we explore the capabilities of a
recommender system based on data aggregation strategies on different graphs.
Since graph neural networks proved their efficiency on a wide range of tasks
related to recommendation systems, we leverage them as a relevant method for
the forecasting of potential collaborations in the scientific community.
- Abstract（参考訳）: 科学的なコラボレーションの分野における共著者選択の問題は、厄介な問題かもしれない。
本稿では,共著者ネットワーク上のリンク予測タスクにおいて,引用データを有効に活用する新しいパイプラインを提案する。
特に,異なるグラフ上のデータ集約戦略に基づくレコメンダシステムの機能について検討する。
グラフニューラルネットワークは、レコメンデーションシステムに関連する幅広いタスクにおいて、その効率性が証明されたので、科学コミュニティにおける潜在的なコラボレーションを予測するための適切な方法として活用する。
関連論文リスト
- Link Prediction in Bipartite Networks [1.7446992240872337]
両部グラフを扱える19種類のリンク予測手法を比較した。
本稿では,新しいリンク予測手法として,グラフ畳み込みネットワーク(GCN)に基づくレコメンデーションシステムを提案する。
近年注目されているGCNベースのパーソナライズドレコメンデーションシステムは,バイパーティイトネットワークにおけるリンク予測に有効であることを示す。
論文 参考訳（メタデータ） (2024-06-10T11:23:30Z) - 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) - Graph Neural Bandits [49.85090929163639]
グラフニューラルネットワーク(GNN)によって強化されたユーザ間の協調性を生かしたグラフニューラルバンド(GNB)というフレームワークを提案する。
提案手法を改良するために,推定ユーザグラフ上の別々のGNNモデルを用いて,エクスプロイトと適応探索を行う。
論文 参考訳（メタデータ） (2023-08-21T15:57:57Z) - Assessing Scientific Contributions in Data Sharing Spaces [64.16762375635842]
本稿では、研究者の科学的貢献を測定するブロックチェーンベースのメトリクスであるSCIENCE-indexを紹介する。
研究者にデータ共有のインセンティブを与えるため、SCIENCE-indexはデータ共有パラメータを含むように拡張されている。
本モデルは, 地理的に多様な研究者の出力分布とh-indexの分布を比較して評価する。
論文 参考訳（メタデータ） (2023-03-18T19:17:47Z) - DeepShovel: An Online Collaborative Platform for Data Extraction in
Geoscience Literature with AI Assistance [48.55345030503826]
地質学者は、関連する結果やデータを発見、抽出、集約するために膨大な量の文献を読む必要がある。
DeepShovelは、彼らのニーズをサポートするAI支援データ抽出システムである。
14人の研究者によるユーザ評価の結果、DeepShovelは科学データベース構築のためのデータ抽出の効率を改善した。
論文 参考訳（メタデータ） (2022-02-21T12:18:08Z) - Graph Trend Networks for Recommendations [34.06649831739749]
推薦システムの鍵は、ユーザーが過去のオンライン行動に基づいてアイテムと対話する可能性を予測することである。
これらのユーザ-イテム相互作用を利用するために、ユーザ-イテム相互作用をユーザ-イテム二部グラフとして考慮する取り組みが増えている。
彼らの成功にもかかわらず、既存のGNNベースのレコメンデーターシステムは、信頼できない振る舞いによって引き起こされる相互作用を見逃している。
本稿では,グラフトレンドネットワークによるレコメンデーション(GTN)を提案する。
論文 参考訳（メタデータ） (2021-08-12T06:09:18Z) - Thematic recommendations on knowledge graphs using multilayer networks [0.0]
知識グラフ(KG)の多層ネットワーク表現に基づくテーマレコメンデーションの生成と評価のためのフレームワークを提案する。
この表現では、各層はKG内の異なるタイプの関係を符号化し、有向層間結合は異なる役割において同じエンティティを接続する。
パーソナライズされたPageRankアルゴリズムをKGの多層モデルに適用し,項目列レコメンデーションを生成する。
論文 参考訳（メタデータ） (2021-05-12T15:30:21Z) - A Survey on Neural Recommendation: From Collaborative Filtering to
Content and Context Enriched Recommendation [70.69134448863483]
レコメンデーションの研究は、ニューラルネットワークに基づく新しいレコメンダーモデルの発明にシフトした。
近年,神経リコメンデータモデルの開発が著しい進展を遂げている。
論文 参考訳（メタデータ） (2021-04-27T08:03:52Z) - 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。