論文の概要: Research Scholar Interest Mining Method based on Load Centrality
- arxiv url: http://arxiv.org/abs/2203.10731v1
- Date: Mon, 21 Mar 2022 04:16:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-22 18:08:46.166204
- Title: Research Scholar Interest Mining Method based on Load Centrality
- Title（参考訳）: 負荷集中性に基づく研究研究者の利子マイニング手法
- Authors: Yang Jiang, Zhe Xue, Ang Li
- Abstract要約: 本稿では,負荷集中度に基づく研究研究者の関心マイニングアルゴリズムを提案する。
各トピックの地域構造は、ノードの集中度研究モデルの重みを正確に計算するために使用することができる。
本稿では, 負荷率センタに基づく科学的研究協力により, 科学的研究研究者の関心を効果的に抽出することができる。
- 参考スコア（独自算出の注目度）: 15.265191824669555
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the era of big data, it is possible to carry out cooperative research on
the research results of researchers through papers, patents and other data, so
as to study the role of researchers, and produce results in the analysis of
results. For the important problems found in the research and application of
reality, this paper also proposes a research scholar interest mining algorithm
based on load centrality (LCBIM), which can accurately solve the problem
according to the researcher's research papers and patent data. Graphs of
creative algorithms in various fields of the study aggregated ideas, generated
topic graphs by aggregating neighborhoods, used the generated topic information
to construct with similar or similar topic spaces, and utilize keywords to
construct one or more topics. The regional structure of each topic can be used
to closely calculate the weight of the centrality research model of the node,
which can analyze the field in the complete coverage principle. The scientific
research cooperation based on the load rate center proposed in this paper can
effectively extract the interests of scientific research scholars from papers
and corpus.
- Abstract（参考訳）: ビッグデータの時代においては,論文,特許,その他のデータを通じて研究者の研究成果に関する共同研究を行い,研究者の役割について研究し,その結果の分析を行うことができる。
現実の研究と応用において,本論文では負荷集中度(lcbim)に基づく研究研究者の関心マイニングアルゴリズムを提案する。
研究の様々な分野における創造的アルゴリズムのグラフは、アイデアを集約し、近隣を集約することでトピックグラフを生成し、生成されたトピック情報を使用して類似または類似のトピック空間を構築し、キーワードを使用して1つ以上のトピックを構築した。
各トピックの地域構造は、完全なカバレッジ原則でフィールドを解析できるノードの集中性研究モデルの重みを密に計算するために使うことができる。
本稿では,負荷率センターに基づく科学的研究協力により,学術研究研究者の関心を論文やコーパスから効果的に抽出することができる。
関連論文リスト
- Data-Centric AI in the Age of Large Language Models [51.20451986068925]
本稿では,大規模言語モデル(LLM)に着目した,AI研究におけるデータ中心の視点を提案する。
本研究では,LLMの発達段階(事前学習や微調整など)や推論段階(文脈内学習など)において,データが有効であることを示す。
データを中心とした4つのシナリオを特定し、データ中心のベンチマークとデータキュレーション、データ属性、知識伝達、推論コンテキスト化をカバーします。
論文 参考訳（メタデータ） (2024-06-20T16:34:07Z) - Fish-bone diagram of research issue: Gain a bird's-eye view on a specific research topic [11.556954590485319]
本研究の目的は、因果関係を含む魚骨図を提供することによって、初心者研究者を支援することである。
それは、関連性および論理的要因に基づいて、研究分野の幅広い、高度に一般化された視点を提供する。
論文 参考訳（メタデータ） (2024-04-30T05:43:41Z) - ResearchAgent: Iterative Research Idea Generation over Scientific Literature with Large Language Models [56.08917291606421]
ResearchAgentは、大規模言語モデルによる研究アイデア作成エージェントである。
科学文献に基づいて繰り返し精製しながら、問題、方法、実験設計を生成する。
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) - A Diachronic Analysis of Paradigm Shifts in NLP Research: When, How, and
Why? [84.46288849132634]
本稿では、因果発見と推論技術を用いて、科学分野における研究トピックの進化を分析するための体系的な枠組みを提案する。
我々は3つの変数を定義し、NLPにおける研究トピックの進化の多様な側面を包含する。
我々は因果探索アルゴリズムを用いてこれらの変数間の因果関係を明らかにする。
論文 参考訳（メタデータ） (2023-05-22T11:08:00Z) - 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) - Research Trends and Applications of Data Augmentation Algorithms [77.34726150561087]
我々は,データ拡張アルゴリズムの適用分野,使用するアルゴリズムの種類,重要な研究動向,時間経過に伴う研究の進展,およびデータ拡張文学における研究ギャップを同定する。
我々は、読者がデータ拡張の可能性を理解し、将来の研究方向を特定し、データ拡張研究の中で質問を開くことを期待する。
論文 参考訳（メタデータ） (2022-07-18T11:38:32Z) - Research Topic Flows in Co-Authorship Networks [0.0]
本稿では,研究論文の著者とその研究分野間の流れを解析するためのグラフ構造を提案する。
我々の方法は、出版物のコーパス(すなわち、著者と抽象的な情報)のみを構築するために必要である。
本手法をコンピュータ科学と数学の分野で60年以上研究されてきた論文20冊の総合コーパスに適用することにより,TFNの有用性を実証する。
論文 参考訳（メタデータ） (2022-06-16T07:45:53Z) - Mapping Research Topics in Software Testing: A Bibliometric Analysis [9.462148324186398]
コワード分析(Co-word analysis)は、用語の共起に基づくテキストマイニング手法である。
我々の分析は、ソフトウェアテスト研究を関連トピックのクラスタにマッピングすることを可能にする。
このマップはまた、Webやモバイルアプリケーションや人工知能に関連するトピックなど、重要度が増しているトピックを示唆している。
論文 参考訳（メタデータ） (2021-09-09T08:06:51Z) - Studying the characteristics of scientific communities using
individual-level bibliometrics: the case of Big Data research [2.208242292882514]
我々は,ビッグデータ研究に携わる作家コミュニティの学齢,生産,研究の焦点について検討する。
以上の結果から,「ビッグデータ」の学術領域は,著者のコミュニティが拡大する中で,近年の話題となっている。
論文 参考訳（メタデータ） (2021-06-10T08:17:09Z) - CitationIE: Leveraging the Citation Graph for Scientific Information
Extraction [89.33938657493765]
引用論文と引用論文の参照リンクの引用グラフを使用する。
最先端技術に対するエンド・ツー・エンドの情報抽出の大幅な改善を観察する。
論文 参考訳（メタデータ） (2021-06-03T03:00:12Z) - A Comprehensive Attempt to Research Statement Generation [39.8491923428562]
本稿では,研究成果を要約した研究声明生成タスクを提案する。
我々は、62の研究ステートメントと対応する1,203の出版物からなるrsgデータセットを構築した。
提案手法は,コンテンツカバレッジとコヒーレンスを向上して,すべてのベースラインを上回ります。
論文 参考訳（メタデータ） (2021-04-25T03:57:00Z)
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。