論文の概要: Learning to Rank with Small Set of Ground Truth Data
- arxiv url: http://arxiv.org/abs/2207.01188v1
- Date: Mon, 4 Jul 2022 04:09:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-06 03:49:36.249987
- Title: Learning to Rank with Small Set of Ground Truth Data
- Title(参考訳): 小集合の基底真理データを用いたランク付けへの学習
- Authors: Jiashu Wu
- Abstract要約: 本研究は,大学学術研究プラットフォームの実現を支援するために,検索,ランキング,レコメンデーション技術について検討することを目的とする。
基礎的真理ランキングデータが多数存在する通常の情報検索シナリオとは異なり、我々の場合、学術的ランキングに関する基礎的真理知識は限られている。
- 参考スコア(独自算出の注目度): 0.5076419064097734
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Over the past decades, researchers had put lots of effort investigating
ranking techniques used to rank query results retrieved during information
retrieval, or to rank the recommended products in recommender systems. In this
project, we aim to investigate searching, ranking, as well as recommendation
techniques to help to realize a university academia searching platform. Unlike
the usual information retrieval scenarios where lots of ground truth ranking
data is present, in our case, we have only limited ground truth knowledge
regarding the academia ranking. For instance, given some search queries, we
only know a few researchers who are highly relevant and thus should be ranked
at the top, and for some other search queries, we have no knowledge about which
researcher should be ranked at the top at all. The limited amount of ground
truth data makes some of the conventional ranking techniques and evaluation
metrics become infeasible, and this is a huge challenge we faced during this
project. This project enhances the user's academia searching experience to a
large extent, it helps to achieve an academic searching platform which includes
researchers, publications and fields of study information, which will be
beneficial not only to the university faculties but also to students' research
experiences.
- Abstract(参考訳): 過去数十年にわたり、研究者は、情報検索中に検索されたクエリ結果をランク付けしたり、推奨する製品を推奨システムでランク付けするために使用されるランキング技術を調査してきた。
本研究は,大学学術検索プラットフォームの実現を支援するために,検索,ランキング,推薦手法を検討することを目的としている。
基礎的真理ランキングデータが多数存在する通常の情報検索シナリオとは異なり、我々の場合、学術的ランキングに関する基礎的真理知識は限られている。
例えば、いくつかの検索クエリを考えると、非常に関連性の高い、したがってトップにランクされるべき研究者はごくわずかであり、他の検索クエリについては、どの研究者がトップにランクすべきかを知ることができない。
基礎的真理データの限られた量によって、従来のランキング技術や評価指標が実現不可能になり、このプロジェクトで直面した大きな課題である。
本プロジェクトでは,学習者の学術的学習経験を大幅に向上させ,大学だけでなく,学生の学習経験にも有用である,研究者,出版,研究情報分野を含む学術的検索プラットフォームの実現に寄与する。
関連論文リスト
- ResearchArena: Benchmarking LLMs' Ability to Collect and Organize Information as Research Agents [21.17856299966841]
大規模言語モデル (LLM) は自然言語処理において様々なタスクで顕著な性能を示した。
我々はLLMエージェントが学術調査を行う能力を測定するベンチマーク「ResearchArena」を開発した。
論文 参考訳(メタデータ) (2024-06-13T03:26:30Z) - Research information in the light of artificial intelligence: quality and data ecologies [0.0]
本稿では,研究情報に適したAI技術を見つけるための多分野間アプローチを提案する。
RIM(Professional Research Information Management)は、研究者にとってデータ駆動型ツールとしてますます重要になりつつある。
論文 参考訳(メタデータ) (2024-05-06T16:07:56Z) - 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) - DataFinder: Scientific Dataset Recommendation from Natural Language
Descriptions [100.52917027038369]
我々は、短い自然言語記述を与えられたデータセットを推奨するタスクを運用する。
この作業を容易にするために、我々は、より大規模な自動構築トレーニングセットと、より少ない専門家によるアノテート評価セットからなるDataFinderデータセットを構築した。
このシステムは、DataFinderデータセットに基づいてトレーニングされ、既存のサードパーティのデータセット検索エンジンよりも関連性の高い検索結果を見つける。
論文 参考訳(メタデータ) (2023-05-26T05:22:36Z) - Tag-Aware Document Representation for Research Paper Recommendation [68.8204255655161]
本稿では,ユーザによって割り当てられたソーシャルタグに基づいて,研究論文の深い意味表現を活用するハイブリッドアプローチを提案する。
提案手法は,評価データが極めて少ない場合でも研究論文の推薦に有効である。
論文 参考訳(メタデータ) (2022-09-08T09:13:07Z) - 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) - Researching Alignment Research: Unsupervised Analysis [14.699455652461726]
AIアライメント研究は、人工知能(AI)が人間に利益をもたらすことを保証することを目的としている。
このプロジェクトでは、既存のAIアライメント研究を収集、分析した。
フィールドは急速に成長しており、いくつかのサブフィールドが平行して出現している。
論文 参考訳(メタデータ) (2022-06-06T18:24:17Z) - Yes-Yes-Yes: Donation-based Peer Reviewing Data Collection for ACL
Rolling Review and Beyond [58.71736531356398]
本稿では、ピアレビューデータについて詳細な議論を行い、ピアレビューデータ収集のための倫理的・法的デシダータの概要を述べるとともに、最初の継続的な寄付ベースのデータ収集ワークフローを提案する。
本稿では、ACL Rolling Reviewにおいて、このワークフローの現在進行中の実装について報告し、新たに収集したデータから得られた最初の洞察を提供する。
論文 参考訳(メタデータ) (2022-01-27T11:02:43Z) - Exposing Query Identification for Search Transparency [69.06545074617685]
本稿では,検索システムの2つのクラスにおいて,クエリとドキュメントの役割を逆転させることにより,検索タスクとしてのEQIの実現可能性について検討する。
本研究では,クエリのランク付けの質を評価するための評価基準を導出するとともに,近似EQIの様々な実践的側面に着目した経験的分析を行う。
論文 参考訳(メタデータ) (2021-10-14T20:19:27Z) - An Explanatory Query-Based Framework for Exploring Academic Expertise [10.887008988767061]
機関内の潜在的な協力者を見つけることは、偏見を伴う手動検索作業に時間を要する。
本研究では,研究専門知識の検索,評価,探索を行う新しいクエリベースのフレームワークを提案する。
提案手法は, 望ましい特性を満足し, 効率的であると同時に, 一致の同定に有効であることを示す。
論文 参考訳(メタデータ) (2021-05-28T10:48:08Z) - MS MARCO: Benchmarking Ranking Models in the Large-Data Regime [57.37239054770001]
本稿では,MS MARCO と TREC Deep Learning Track をケーススタディとして用いた。
評価の取り組みの設計が、特定の成果を奨励または阻止する方法を示します。
我々は、ある種の落とし穴の分析と、そのような落とし穴を避けるためのベストプラクティスのステートメントを提供する。
論文 参考訳(メタデータ) (2021-05-09T20:57:36Z)
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。