論文の概要: Tag-Aware Document Representation for Research Paper Recommendation

• arxiv url: http://arxiv.org/abs/2209.03660v1
• Date: Thu, 8 Sep 2022 09:13:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-09 13:37:30.225675
• Title: Tag-Aware Document Representation for Research Paper Recommendation
• Title（参考訳）: 論文レコメンデーションのためのタグ対応文書表現
• Authors: Hebatallah A. Mohamed, Giuseppe Sansonetti, Alessandro Micarelli
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 68.8204255655161
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Finding online research papers relevant to one's interests is very challenging due to the increasing number of publications. Therefore, personalized research paper recommendation has become a significant and timely research topic. Collaborative filtering is a successful recommendation approach, which exploits the ratings given to items by users as a source of information for learning to make accurate recommendations. However, the ratings are often very sparse as in the research paper domain, due to the huge number of publications growing every year. Therefore, more attention has been drawn to hybrid methods that consider both ratings and content information. Nevertheless, most of the hybrid recommendation approaches that are based on text embedding have utilized bag-of-words techniques, which ignore word order and semantic meaning. In this paper, we propose a hybrid approach that leverages deep semantic representation of research papers based on social tags assigned by users. The experimental evaluation is performed on CiteULike, a real and publicly available dataset. The obtained findings show that the proposed model is effective in recommending research papers even when the rating data is very sparse.
• Abstract（参考訳）: 関心事に関するオンライン研究論文の発見は、出版物の増加により非常に困難である。 したがって、パーソナライズされた研究論文推薦は、重要かつタイムリーな研究テーマとなっている。 コラボレーティブフィルタリング(collaborative filtering)は、正確なレコメンデーションを行うための学習のための情報源として、ユーザがアイテムに与えた評価を活用する、レコメンデーションアプローチである。 しかし、毎年大量の出版物が増えているため、研究論文の分野のように評価は非常に低いことが多い。 そのため,評価とコンテンツ情報の両方を考慮したハイブリッド手法が注目されている。 それにもかかわらず、テキスト埋め込みに基づくハイブリッドレコメンデーションアプローチのほとんどが、単語の順序や意味を無視するbag-of-words技術を利用している。 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く研究論文の深い意味表現を利用するハイブリッド手法を提案する。 実験的な評価は、実際の公開データセットであるciteulike上で行われる。 その結果,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なモデルであることが示唆された。

関連論文リスト

• An Instance-based Plus Ensemble Learning Method for Classification of Scientific Papers [2.0794749869068005]
  本稿では,科学論文の分類に事例ベース学習とアンサンブル学習を併用した新しい手法を提案する。 実験の結果,提案手法は論文を様々な研究領域に分類する上で効果的かつ効果的であることが示唆された。
  論文  参考訳（メタデータ） (2024-09-21T19:42:15Z)
• Rs4rs: Semantically Find Recent Publications from Top Recommendation System-Related Venues [0.2812395851874055]
  Rs4rsは、Recommender Systemsに関連するトップカンファレンスやジャーナルの最近の論文のセマンティック検索を実行するように設計されたWebアプリケーションである。 Rs4rsはユーザーフレンドリーなプラットフォームを提供することでこれらの問題に対処し、研究者は興味のあるトピックを入力し、Recommender Systemsのトップ会場から最新の関連論文のリストを受け取ることができる。
  論文  参考訳（メタデータ） (2024-09-09T12:53:06Z)
• A Survey on Data Selection for Language Models [148.300726396877]
  データ選択方法は、トレーニングデータセットに含まれるデータポイントを決定することを目的としている。 ディープラーニングは、主に実証的な証拠によって駆動され、大規模なデータに対する実験は高価である。 広範なデータ選択研究のリソースを持つ組織はほとんどない。
  論文  参考訳（メタデータ） (2024-02-26T18:54:35Z)
• A Literature Review of Literature Reviews in Pattern Analysis and Machine Intelligence [58.6354685593418]
  本稿では, レビューを評価するために, 記事レベル, フィールド正規化, 大規模言語モデルを用いた書誌指標を提案する。 新たに登場したAI生成の文献レビューも評価されている。 この研究は、文学レビューの現在の課題についての洞察を与え、彼らの開発に向けた今後の方向性を思い起こさせる。
  論文  参考訳（メタデータ） (2024-02-20T11:28:50Z)
• Impression-Aware Recommender Systems [57.38537491535016]
  新たなデータソースは、レコメンデーションシステムの品質を改善する新しい機会をもたらす。 研究者はインプレッションを使ってユーザーの好みを洗練させ、推奨システム研究の現在の制限を克服することができる。 本稿ではインプレッションを用いたレコメンデーションシステムに関する体系的な文献レビューを行う。
  論文  参考訳（メタデータ） (2023-08-15T16:16:02Z)
• Learning Neural Textual Representations for Citation Recommendation [7.227232362460348]
  サブモジュラースコアリング機能において,シームズとトリプルトネットワークを併用した文書(センテンス-BERT)の深部表現を用いた引用推薦手法を提案する。 我々の知る限りでは、これは引用推薦のタスクに対して、ディープ表現とサブモジュラー選択を組み合わせるための最初のアプローチである。
  論文  参考訳（メタデータ） (2020-07-08T12:38:50Z)
• From Standard Summarization to New Tasks and Beyond: Summarization with Manifold Information [77.89755281215079]
  テキスト要約は、原文書の短く凝縮した版を作成することを目的とした研究分野である。 現実世界のアプリケーションでは、ほとんどのデータは平易なテキスト形式ではない。 本稿では,現実のアプリケーションにおけるこれらの新しい要約タスクとアプローチについて調査する。
  論文  参考訳（メタデータ） (2020-05-10T14:59:36Z)
• 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)
• Citation Recommendation: Approaches and Datasets [20.47628019708079]
  引用レコメンデーションは、あるテキストに対して引用を推奨するタスクを記述する。 近年,いくつかのアプローチと評価データセットが提案されている。 引用推薦に関する文献調査は行われていない。
  論文  参考訳（メタデータ） (2020-02-17T13:59:50Z)

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。