論文の概要: Citation Trajectory Prediction via Publication Influence Representation
Using Temporal Knowledge Graph
- arxiv url: http://arxiv.org/abs/2210.00450v1
- Date: Sun, 2 Oct 2022 07:43:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 16:46:03.751263
- Title: Citation Trajectory Prediction via Publication Influence Representation
Using Temporal Knowledge Graph
- Title（参考訳）: 時間知識グラフを用いた出版影響表現による引用軌道予測
- Authors: Chang Zong, Yueting Zhuang, Weiming Lu, Jian Shao and Siliang Tang
- Abstract要約: 既存のアプローチは主に学術論文の時間的データとグラフデータのマイニングに依存している。
本フレームワークは,差分保存グラフ埋め込み,きめ細かい影響表現,学習に基づく軌道計算という3つのモジュールから構成される。
APSアカデミックデータセットとAIPatentデータセットの両方で実験を行った。
- 参考スコア（独自算出の注目度）: 52.07771598974385
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Predicting the impact of publications in science and technology has become an
important research area, which is useful in various real world scenarios such
as technology investment, research direction selection, and technology
policymaking. Citation trajectory prediction is one of the most popular tasks
in this area. Existing approaches mainly rely on mining temporal and graph data
from academic articles. Some recent methods are capable of handling cold-start
prediction by aggregating metadata features of new publications. However, the
implicit factors causing citations and the richer information from handling
temporal and attribute features still need to be explored. In this paper, we
propose CTPIR, a new citation trajectory prediction framework that is able to
represent the influence (the momentum of citation) of either new or existing
publications using the history information of all their attributes. Our
framework is composed of three modules: difference-preserved graph embedding,
fine-grained influence representation, and learning-based trajectory
calculation. To test the effectiveness of our framework in more situations, we
collect and construct a new temporal knowledge graph dataset from the real
world, named AIPatent, which stems from global patents in the field of
artificial intelligence. Experiments are conducted on both the APS academic
dataset and our contributed AIPatent dataset. The results demonstrate the
strengths of our approach in the citation trajectory prediction task.
- Abstract（参考訳）: 科学技術における出版物の影響を予測することは重要な研究分野となり、技術投資、研究方向選択、技術政策決定など様々な現実のシナリオで有用である。
循環軌道予測はこの分野で最も一般的な課題の一つである。
既存のアプローチは主に学術論文からの時間的およびグラフデータのマイニングに依存している。
最近の手法では、新しい出版物のメタデータの特徴を集約することで、コールドスタート予測を処理できる。
しかし、引用の原因となる暗黙の要因と、時間的および属性的特徴を扱うことによるより豊かな情報はまだ検討される必要がある。
本稿では,すべての属性の履歴情報を用いて,新しい出版物や既存の出版物の影響(引用の勢い)を表現できる新たな引用軌跡予測フレームワークctpirを提案する。
本フレームワークは,差分保存グラフ埋め込み,きめ細かい影響表現,学習に基づく軌道計算という3つのモジュールから構成される。
より複雑な状況下でフレームワークの有効性をテストするために,AIatentという,人工知能分野のグローバル特許を起源とする,実世界から新たな時間的知識グラフデータセットを収集し,構築する。
APS学術データセットとAIPatentデータセットの両方を用いて実験を行った。
その結果,引用軌道予測タスクにおけるアプローチの強みが示された。
関連論文リスト
- A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation [59.14165404728197]
我々は,分散シフト下での深層グラフ学習について,最新かつ先見的なレビューを行う。
具体的には,グラフ OOD 一般化,トレーニング時グラフ OOD 適応,テスト時グラフ OOD 適応の3つのシナリオについて述べる。
文献の理解を深めるために,提案した分類に基づく既存モデルを体系的に分類した。
論文 参考訳（メタデータ） (2024-10-25T02:39:56Z) - Mapping Computer Science Research: Trends, Influences, and Predictions [0.0]
我々は、トレンド研究領域を予測するために、決定木やロジスティック回帰モデルを含む高度な機械学習技術を採用している。
分析の結果,研究論文(参照数)に引用される参考資料の数は,トレンド研究領域を決定する上で重要な役割を担っていることが明らかとなった。
ロジスティック回帰モデルは、傾向を予測するために決定木モデルより優れ、高い精度、精度、リコール、F1スコアを示す。
論文 参考訳（メタデータ） (2023-08-01T16:59:25Z) - The Semantic Scholar Open Data Platform [79.4493235243312]
セマンティック・スカラー(Semantic Scholar、S2)は、学術文献の発見と理解を支援することを目的としたオープンデータプラットフォームおよびウェブサイトである。
我々は、学術的なPDFコンテンツ抽出と知識グラフの自動構築のための最先端技術を用いて、パブリックおよびプロプライエタリなデータソースを組み合わせる。
このグラフには、構造解析されたテキスト、自然言語要約、ベクトル埋め込みなどの高度な意味的特徴が含まれている。
論文 参考訳（メタデータ） (2023-01-24T17:13:08Z) - IRT2: Inductive Linking and Ranking in Knowledge Graphs of Varying Scale [1.3621712165154805]
産業用ユースケースのためのドメイン固有の知識モデルを構築するという課題に対処する。
我々の焦点は、実用的なツールの基礎となる帰納的リンク予測モデルである。
論文 参考訳（メタデータ） (2023-01-02T15:19:21Z) - Mapping Research Trajectories [0.0]
本稿では, あらゆる科学分野に適用可能な, 研究軌道のエンハンマッピングに関する原則的アプローチを提案する。
われわれの視覚化は、時間とともに実体の研究トピックを、直接的に相互に表現している。
実践的な実証アプリケーションでは、機械学習による出版コーパスに対する提案されたアプローチを例示する。
論文 参考訳（メタデータ） (2022-04-25T13:32:39Z) - Towards Open-World Feature Extrapolation: An Inductive Graph Learning
Approach [80.8446673089281]
グラフ表現と学習を伴う新しい学習パラダイムを提案する。
本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
論文 参考訳（メタデータ） (2021-10-09T09:02:45Z) - Deep Learning Schema-based Event Extraction: Literature Review and
Current Trends [60.29289298349322]
ディープラーニングに基づくイベント抽出技術が研究ホットスポットとなっている。
本稿では,ディープラーニングモデルに焦点をあて,最先端のアプローチを見直し,そのギャップを埋める。
論文 参考訳（メタデータ） (2021-07-05T16:32:45Z) - Exploring the Limits of Few-Shot Link Prediction in Knowledge Graphs [49.6661602019124]
数発のリンク予測を行うため,本手法の現況を一般化したモデルスペクトルについて検討する。
単純なゼロショットベースライン – 関係性固有の情報を無視する – が驚くほど高いパフォーマンスを実現しているのが分かります。
慎重に構築された合成データセットの実験では、関係の例がいくつかあるだけで、モデルがきめ細かな構造情報を使用するのを基本的に制限することが示されている。
論文 参考訳（メタデータ） (2021-02-05T21:04:31Z) - AI Marker-based Large-scale AI Literature Mining [5.144684482990409]
メソッド、データセット、メトリクスはAI文献のAIマーカーとして使用される。
実体抽出モデルを用いて,大規模AI文献からAIマーカーを抽出する。
メソッドクラスタ内の進化と異なる研究シーンクラスタ間の影響関係について検討した。
論文 参考訳（メタデータ） (2020-11-01T14:48:46Z) - Generating Knowledge Graphs by Employing Natural Language Processing and
Machine Learning Techniques within the Scholarly Domain [1.9004296236396943]
本稿では、自然言語処理と機械学習を利用して研究論文から実体や関係を抽出する新しいアーキテクチャを提案する。
本研究では,現在最先端の自然言語処理ツールとテキストマイニングツールを用いて,知識抽出の課題に取り組む。
セマンティックWebドメイン内の論文26,827件から抽出した109,105件のトリプルを含む科学知識グラフを作成した。
論文 参考訳（メタデータ） (2020-10-28T08:31:40Z)
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。