論文の概要: Heterogeneous Graph Learning for Explainable Recommendation over
Academic Networks
- arxiv url: http://arxiv.org/abs/2202.07832v1
- Date: Wed, 16 Feb 2022 02:40:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-18 00:57:55.184972
- Title: Heterogeneous Graph Learning for Explainable Recommendation over
Academic Networks
- Title(参考訳): ヘテロジニアスグラフ学習による学術ネットワーク上でのレコメンデーション
- Authors: Xiangtai Chen, Tao Tang, Jing Ren, Ivan Lee, Honglong Chen, Feng Xia
- Abstract要約: 本研究は、学業移行の行動を理解することを目的として、Ph.D.卒業生に適した制度を推薦する。
このデザインは学術的・学術的なネットワークの上に構築され、学者や機関間の科学的コラボレーションに関する豊富な情報を含んでいる。
本稿では,複数のメタパス間の隠れた関係を発見するために,学術的注意とメタパス的注意を提案する。
- 参考スコア(独自算出の注目度): 14.99215332381067
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the explosive growth of new graduates with research degrees every year,
unprecedented challenges arise for early-career researchers to find a job at a
suitable institution. This study aims to understand the behavior of academic
job transition and hence recommend suitable institutions for PhD graduates.
Specifically, we design a deep learning model to predict the career move of
early-career researchers and provide suggestions. The design is built on top of
scholarly/academic networks, which contains abundant information about
scientific collaboration among scholars and institutions. We construct a
heterogeneous scholarly network to facilitate the exploring of the behavior of
career moves and the recommendation of institutions for scholars. We devise an
unsupervised learning model called HAI (Heterogeneous graph Attention InfoMax)
which aggregates attention mechanism and mutual information for institution
recommendation. Moreover, we propose scholar attention and meta-path attention
to discover the hidden relationships between several meta-paths. With these
mechanisms, HAI provides ordered recommendations with explainability. We
evaluate HAI upon a real-world dataset against baseline methods. Experimental
results verify the effectiveness and efficiency of our approach.
- Abstract(参考訳): 毎年研究学位を持つ新卒者の爆発的な成長により、早産研究者が適切な機関で職を見つけるという前例のない課題が生じる。
本研究は、学業移行の行動を理解することを目的として、PhD卒業生に適した制度を推薦する。
具体的には、早産研究者のキャリアの動きを予測し、提案する深層学習モデルを設計する。
このデザインは学術的/学術的なネットワークの上に構築され、学者や機関間の科学的な協力に関する豊富な情報を含んでいる。
我々は,キャリア活動の行動の探索と研究機関の推薦を促進するために,異質な学術ネットワークを構築した。
施設推薦のための注意機構と相互情報を集約した「hai(heterogeneous graph attention infomax)」と呼ばれる教師なし学習モデルを開発した。
さらに,複数のメタパス間の隠れた関係を明らかにするために,学術的注意とメタパス的注意を提案する。
これらのメカニズムにより、HAIは説明可能な順序付きレコメンデーションを提供する。
我々は,HAIをベースライン手法に対して実世界のデータセット上で評価する。
実験の結果,本手法の有効性と有効性が検証された。
関連論文リスト
- Chain of Ideas: Revolutionizing Research Via Novel Idea Development with LLM Agents [64.64280477958283]
科学文献の急激な増加は、研究者が最近の進歩と意義ある研究方向を見極めるのを困難にしている。
大規模言語モデル(LLM)の最近の発展は、新しい研究のアイデアを自動生成するための有望な道のりを示唆している。
本研究では, チェーン構造に関連文献を整理し, 研究領域の進展を効果的に反映する, LLMベースのエージェントであるChain-of-Ideas(CoI)エージェントを提案する。
論文 参考訳(メタデータ) (2024-10-17T03:26:37Z) - Many Heads Are Better Than One: Improved Scientific Idea Generation by A LLM-Based Multi-Agent System [62.832818186789545]
Virtual Scientists (VirSci) は、科学研究に固有のチームワークを模倣するために設計されたマルチエージェントシステムである。
VirSciは研究のアイデアを共同で生成し、評価し、洗練するエージェントのチームを組織している。
このマルチエージェントアプローチは、新しい科学的アイデアを生み出す上で、最先端の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2024-10-12T07:16:22Z) - "It answers questions that I didn't know I had": Ph.D. Students' Evaluation of an Information Sharing Knowledge Graph [0.0]
学際的なPhDプログラムは、学生が必要とする重要な情報が容易に入手できないため、困難である。
複数の情報源から抽出した臨界カテゴリとその関係情報を含む知識グラフを提案する。
本研究では,情報交換と意思決定を容易にするための参加型知識グラフのユーザビリティを評価する。
論文 参考訳(メタデータ) (2024-06-11T21:25:14Z) - ResearchAgent: Iterative Research Idea Generation over Scientific Literature with Large Language Models [56.08917291606421]
ResearchAgentは、新しい作品のアイデアと運用のためのAIベースのシステムである。
ResearchAgentは、新しい問題を自動で定義し、手法と設計実験を提案し、繰り返し修正する。
我々は、複数の分野にわたる科学論文に関するResearchAgentを実験的に検証した。
論文 参考訳(メタデータ) (2024-04-11T13:36:29Z) - Advanced Academic Team Worker Recommendation Models [0.1864807003137943]
我々は,学術チーム労働者推薦という新たな課題を提案する。
学術チーム(助教授、助教授、学生)を推薦できる。
実験の結果,提案手法の有効性が示された。
論文 参考訳(メタデータ) (2024-02-07T22:37:18Z) - Hierarchical Tree-structured Knowledge Graph For Academic Insight Survey [11.556954590485319]
調査は、研究トレーニングを欠いている初心者研究者にとって、常に課題となっている。
本研究は,階層的な木構造知識グラフを確立することにより,初心者研究者を対象とした研究インサイトサーベイを支援することを目的とする。
論文 参考訳(メタデータ) (2024-02-07T13:54:06Z) - Covidia: COVID-19 Interdisciplinary Academic Knowledge Graph [99.28342534985146]
新型コロナウイルスに関する既存の文献や知識プラットフォームは、生物学や医学に関する論文の収集にのみ焦点が当てられている。
我々は、異なるドメインにおけるCOVID-19の知識間のギャップを埋めるために、Covidia, COVID-19の学際的知識グラフを提案する。
論文 参考訳(メタデータ) (2023-04-14T16:45:38Z) - How Data Scientists Review the Scholarly Literature [4.406926847270567]
データサイエンティストの文献レビューの実践について検討する。
データサイエンスは、論文の指数的な増加を示す分野である。
これらの科学者が直面する具体的な実践や課題について、事前の研究は行われていない。
論文 参考訳(メタデータ) (2023-01-10T03:53:05Z) - Shifu2: A Network Representation Learning Based Model for
Advisor-advisee Relationship Mining [82.75996880087747]
本稿では,ネットワーク表現学習(NRL)に基づく新しいモデル,すなわちshifu2を提案する。
Shifu2は、コラボレーションネットワークを入力とし、特定アドバイザ・アドバイザー関係を出力とする。
そこで我々は,Shifu2を利用した大規模学術系譜データセットを作成した。
論文 参考訳(メタデータ) (2020-08-17T05:40:06Z) - Attentional Graph Convolutional Networks for Knowledge Concept
Recommendation in MOOCs in a Heterogeneous View [72.98388321383989]
大規模なオープンオンラインコース(MOOC)は、学生が知識を習得するための大規模かつオープンな学習機会を提供する。
学生の関心を惹きつけるため、MOOCsプロバイダによる推薦制度が採用され、学生にコースを推薦する。
そこで本研究では,MOOCにおける知識概念レコメンデーションのために,Attentional Heterogeneous Graph Convolutional Deep Knowledge Recommender (ACKRec) という,エンドツーエンドのグラフニューラルネットワークに基づくアプローチを提案する。
論文 参考訳(メタデータ) (2020-06-23T18:28:08Z)
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。