論文の概要: Multi-task recommendation system for scientific papers with high-way networks

• arxiv url: http://arxiv.org/abs/2204.09930v1
• Date: Thu, 21 Apr 2022 07:40:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-22 21:44:46.948024
• Title: Multi-task recommendation system for scientific papers with high-way networks
• Title（参考訳）: 高速ネットワークを用いた科学論文のマルチタスク推薦システム
• Authors: Aram Karimi, Simon Dobnik
• Abstract要約: 論文推薦を予測し,キーワードなどのメタデータを生成するマルチタスクレコメンデーションシステム(RS)を提案する。 このアプローチの背景には、キーワードとして表現された論文のトピックが、研究者の好みの予測に有用である、という動機がある。 我々のアプリケーションは、ハイウェイネットワークを使ってシステムを非常に深く訓練し、RNNとCNNの利点を組み合わせて最も重要な要素を見つけ、遅延表現する。
• 参考スコア（独自算出の注目度）: 1.5229257192293197
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Finding and selecting the most relevant scientific papers from a large number of papers written in a research community is one of the key challenges for researchers these days. As we know, much information around research interest for scholars and academicians belongs to papers they read. Analysis and extracting contextual features from these papers could help us to suggest the most related paper to them. In this paper, we present a multi-task recommendation system (RS) that predicts a paper recommendation and generates its meta-data such as keywords. The system is implemented as a three-stage deep neural network encoder that tries to maps longer sequences of text to an embedding vector and learns simultaneously to predict the recommendation rate for a particular user and the paper's keywords. The motivation behind this approach is that the paper's topics expressed as keywords are a useful predictor of preferences of researchers. To achieve this goal, we use a system combination of RNNs, Highway and Convolutional Neural Networks to train end-to-end a context-aware collaborative matrix. Our application uses Highway networks to train the system very deep, combine the benefits of RNN and CNN to find the most important factor and make latent representation. Highway Networks allow us to enhance the traditional RNN and CNN pipeline by learning more sophisticated semantic structural representations. Using this method we can also overcome the cold start problem and learn latent features over large sequences of text.
• Abstract（参考訳）: 研究コミュニティで書かれた多くの論文の中から、最も関連性の高い科学論文を見つけ、選択することは、最近の研究者にとって重要な課題の1つです。 私たちが知っているように、学者や学者に対する研究の関心に関する多くの情報は、彼らが読んだ論文に属する。 これらの論文から文脈的特徴の分析と抽出は、最も関連する論文の提案に役立つだろう。 本稿では,論文推薦を予測し,キーワードなどのメタデータを生成するマルチタスクレコメンデーションシステム(RS)を提案する。 このシステムは3段階のディープニューラルネットワークエンコーダとして実装され、テキストの長いシーケンスを埋め込みベクトルにマッピングし、同時に学習して、特定のユーザと論文のキーワードの推奨率を予測する。 このアプローチの背景にある動機は、論文のトピックがキーワードとして表現され、研究者の好みの予測に役立っていることである。 この目的を達成するために、RNN、ハイウェイ、畳み込みニューラルネットワークのシステム組み合わせを用いて、コンテキスト対応の協調行列をエンドツーエンドで訓練する。 我々のアプリケーションは、ハイウェイネットワークを使ってシステムを非常に深く訓練し、RNNとCNNの利点を組み合わせて最も重要な要素を見つけ、遅延表現する。 ハイウェイネットワークは、より洗練されたセマンティックな構造表現を学習することで、従来のRNNとCNNパイプラインを強化することができる。 この方法を用いることで、コールドスタート問題を克服し、大量のテキスト列で潜在機能を学ぶこともできる。

関連論文リスト

• Deep networks for system identification: a Survey [56.34005280792013]
  システム識別は、入力出力データから動的システムの数学的記述を学習する。 同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。 我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
  論文  参考訳（メタデータ） (2023-01-30T12:38:31Z)
• Deep Learning Architecture for Automatic Essay Scoring [0.0]
  本稿では、リカレントネットワーク(RNN)と畳み込みニューラルネットワーク(CNN)に基づく新しいアーキテクチャを提案する。 提案アーキテクチャでは, 単語埋め込みベクトルから, 単語n-gramの文脈的特徴を学習し, 捉える。 提案方式は,他の深層学習に基づくAESシステムよりも格付け精度が高い。
  論文  参考訳（メタデータ） (2022-06-16T14:56:24Z)
• TeKo: Text-Rich Graph Neural Networks with External Knowledge [75.91477450060808]
  外部知識を用いた新しいテキストリッチグラフニューラルネットワーク(TeKo)を提案する。 まず、高品質なエンティティを組み込んだフレキシブルな異種セマンティックネットワークを提案する。 次に、構造化三重項と非構造化実体記述という2種類の外部知識を導入する。
  論文  参考訳（メタデータ） (2022-06-15T02:33:10Z)
• How Can Graph Neural Networks Help Document Retrieval: A Case Study on CORD19 with Concept Map Generation [14.722791874800617]
  グラフニューラルネットワーク(GNN)は不規則データ上での表現学習のための強力なツールである。 概念マップとして表される構造化されていないテキストでは、GNNは文書検索のようなタスクに利用することができる。 大規模多分野データセット CORD-19 について実証的研究を行った。 その結果,提案したセマンティクス指向グラフ関数は,BM25検索した候補に基づいて,より優れた,より安定した性能が得られることがわかった。
  論文  参考訳（メタデータ） (2022-01-12T19:52:29Z)
• Tell Me How to Survey: Literature Review Made Simple with Automatic Reading Path Generation [16.07200776251764]
  論文を大量の文献から読めば、簡単な調査をしたり、特定の研究トピックに関する最新の進歩に遅れないようにする方法が課題になっている。 Google Scholarのような既存の学術検索エンジンは、各論文とクエリ間の関連性を個別に計算することで、関連論文を返す。 本稿では,あるクエリに対して読み込む論文のパスを自動生成することを目的とした読解パス生成(RPG)を紹介する。
  論文  参考訳（メタデータ） (2021-10-12T20:58:46Z)
• Applications of Recurrent Neural Network for Biometric Authentication & Anomaly Detection [0.0]
  リカレントニューラルネットワークは、データを一時シーケンスで保存し、参照できるようにする強力な機械学習フレームワークである。 本稿では, 生体認証, 表現認識, 異常検出, 航空機への適用の4つの重要な分野において, RNNの現状について検討する。
  論文  参考訳（メタデータ） (2021-09-13T04:37:18Z)
• From Symbols to Embeddings: A Tale of Two Representations in Computational Social Science [77.5409807529667]
  コンピュータ社会科学(CSS)の研究は、データ駆動型であり、オンラインのユーザ生成コンテンツやソーシャルネットワークの可用性から大きな恩恵を受けている。 回答を探るため、テキストとネットワークの両方でCSSのデータ表現を徹底的にレビューする。 以上の表現の応用は、CSSに関連する6つのトップ会場から400以上の研究論文を調査した結果に基づく。
  論文  参考訳（メタデータ） (2021-06-27T11:04:44Z)
• Recent Advances in Large Margin Learning [63.982279380483526]
  本稿では,(非線形)深層ニューラルネットワーク(dnn)のための大規模マージントレーニングとその理論的基礎の最近の進歩に関する調査を行う。 古典研究から最新のDNNへの分類マージンの策定を一般化し、マージン、ネットワーク一般化、堅牢性の間の理論的関連性をまとめ、最近のDNNのマージン拡大の取り組みを総合的に紹介します。
  論文  参考訳（メタデータ） (2021-03-25T04:12:00Z)
• Be More with Less: Hypergraph Attention Networks for Inductive Text Classification [56.98218530073927]
  グラフニューラルネットワーク(GNN)は、研究コミュニティで注目され、この標準タスクで有望な結果を実証している。 成功にもかかわらず、それらのパフォーマンスは、単語間の高次相互作用をキャプチャできないため、実際は大部分が危険に晒される可能性がある。 本稿では,テキスト表現学習において,少ない計算量でより表現力の高いハイパーグラフアテンションネットワーク(HyperGAT)を提案する。
  論文  参考訳（メタデータ） (2020-11-01T00:21:59Z)
• NAS-Navigator: Visual Steering for Explainable One-Shot Deep Neural Network Synthesis [53.106414896248246]
  本稿では,分析者がドメイン知識を注入することで,解のサブグラフ空間を効果的に構築し,ネットワーク探索をガイドするフレームワークを提案する。 このテクニックを反復的に適用することで、アナリストは、与えられたアプリケーションに対して最高のパフォーマンスのニューラルネットワークアーキテクチャに収束することができる。
  論文  参考訳（メタデータ） (2020-09-28T01:48:45Z)
• Large Scale Subject Category Classification of Scholarly Papers with Deep Attentive Neural Networks [15.241086410108512]
  本稿では,学術論文を要約のみを用いて分類するディープ注意ニューラルネットワーク(DANN)を提案する。 提案するネットワークは2つの双方向リカレントニューラルネットワークとアテンション層から構成される。 最適モデルでは,0.50～0.95の範囲の個々の対象カテゴリーのF1に対して0.76のマイクロF1測定値が得られる。
  論文  参考訳（メタデータ） (2020-07-27T19:42:42Z)

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。