論文の概要: H2CGL: Modeling Dynamics of Citation Network for Impact Prediction
- arxiv url: http://arxiv.org/abs/2305.01572v2
- Date: Sat, 6 May 2023 08:31:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-09 20:01:01.404536
- Title: H2CGL: Modeling Dynamics of Citation Network for Impact Prediction
- Title（参考訳）: H2CGL:衝突予測のための循環ネットワークのモデリングダイナミクス
- Authors: Guoxiu He, Zhikai Xue, Zhuoren Jiang, Yangyang Kang, Star Zhao, Wei Lu
- Abstract要約: 対象論文の階層的および異質なグラフを年次視点で構築する。
このグラフは、対象論文の科学的文脈情報の年次動態を記録することができる。
階層型および不均一なグラフ学習モデルであるグラフニューラルネットワークを提案する。
- 参考スコア（独自算出の注目度）: 17.448606960771777
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The potential impact of a paper is often quantified by how many citations it
will receive. However, most commonly used models may underestimate the
influence of newly published papers over time, and fail to encapsulate this
dynamics of citation network into the graph. In this study, we construct
hierarchical and heterogeneous graphs for target papers with an annual
perspective. The constructed graphs can record the annual dynamics of target
papers' scientific context information. Then, a novel graph neural network,
Hierarchical and Heterogeneous Contrastive Graph Learning Model (H2CGL), is
proposed to incorporate heterogeneity and dynamics of the citation network.
H2CGL separately aggregates the heterogeneous information for each year and
prioritizes the highly-cited papers and relationships among references,
citations, and the target paper. It then employs a weighted GIN to capture
dynamics between heterogeneous subgraphs over years. Moreover, it leverages
contrastive learning to make the graph representations more sensitive to
potential citations. Particularly, co-cited or co-citing papers of the target
paper with large citation gap are taken as hard negative samples, while
randomly dropping low-cited papers could generate positive samples. Extensive
experimental results on two scholarly datasets demonstrate that the proposed
H2CGL significantly outperforms a series of baseline approaches for both
previously and freshly published papers. Additional analyses highlight the
significance of the proposed modules. Our codes and settings have been released
on Github (https://github.com/ECNU-Text-Computing/H2CGL)
- Abstract（参考訳）: 紙の潜在的な影響は、何個の引用を受け取るかによって定量化されることが多い。
しかし、最も一般的に使われているモデルは、新しく出版された論文の影響を過小評価し、引用ネットワークのこのダイナミクスをグラフにカプセル化できないことがある。
本研究では,対象論文の階層的および異質なグラフを年次視点で構築する。
構築されたグラフは、対象論文の科学的文脈情報の年次ダイナミクスを記録することができる。
そこで,新しいグラフニューラルネットワークである階層的および不均質なコントラストグラフ学習モデル(h2cgl)を提案する。
h2cglは、各年度の異種情報を別々に集約し、高引用された論文と参照、引用、対象論文の関係を優先する。
その後、重み付きジンを使って、長年にわたって不均一な部分グラフ間のダイナミクスをキャプチャする。
さらに、コントラスト学習を活用して、グラフ表現を潜在的引用により敏感にする。
特に、大きな引用ギャップを有する対象紙の共引用または共引用用紙を硬い負の試料とし、低引用用紙をランダムに落として正のサンプルを生成することができる。
2つの学術データセットに関する広範な実験の結果は、提案されているh2cglが、以前の論文と新しい論文の両方のベースラインアプローチを大きく上回っていることを示している。
さらなる分析は、提案されたモジュールの重要性を強調している。
私たちのコードと設定はGithub(https://github.com/ECNU-Text-Computing/H2CGL)で公開されています。
関連論文リスト
- Reproducibility Study Of Learning Fair Graph Representations Via Automated Data Augmentations [0.0]
リンク予測タスクにおけるGraphairフレームワークの性能について検討する。
我々の発見はグラフベースの学習において、Graphairが広く採用される可能性を示している。
論文 参考訳（メタデータ） (2024-08-31T11:28:22Z) - Temporal Graph Neural Network-Powered Paper Recommendation on Dynamic Citation Networks [4.666226480911492]
本稿では,紙レコメンデーション戦略に時間的次元を導入する。
中心となる考え方は、新しい引用関係が現れたときに紙の埋め込みを継続的に更新することである。
リカレントニューラルネットワーク(RNN)に基づく学習可能なメモリ更新モジュールを使用して、埋め込みの進化を研究する。
論文 参考訳（メタデータ） (2024-08-27T19:10:21Z) - Predicting Scientific Impact Through Diffusion, Conformity, and Contribution Disentanglement [11.684776349325887]
既存のモデルは、引用数推定に静的グラフに依存するのが一般的である。
論文の拡散, コンフォーマル性, コントリビューション値に潜在的影響を分散させる新しいモデルDPPDCCを導入する。
論文 参考訳（メタデータ） (2023-11-15T07:21:11Z) - Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。
これらのグラフモデルと従来の協調フィルタリングモデルを比較する。
ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
論文 参考訳（メタデータ） (2023-08-01T09:31:44Z) - Modeling Dynamic Heterogeneous Graph and Node Importance for Future
Citation Prediction [26.391252682418607]
論文の今後の引用傾向を予測するための動的ヘテロジニアスグラフとノード重要度ネットワーク(DGNI)学習フレームワークを提案する。
まず、学術ネットワーク全体の動的進化傾向を捉えるために、動的ヘテロジニアスネットワーク埋め込みモジュールが提供される。
各論文のノード重要度を明らかにするために,グローバルな一貫性関係を捉えるために,ノード重要度埋め込みモジュールを提案する。
論文 参考訳（メタデータ） (2023-05-27T08:53:26Z) - You Only Transfer What You Share: Intersection-Induced Graph Transfer
Learning for Link Prediction [79.15394378571132]
従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。
より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。
この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
論文 参考訳（メタデータ） (2023-02-27T22:56:06Z) - A Survey of Knowledge Graph Reasoning on Graph Types: Static, Dynamic,
and Multimodal [57.8455911689554]
知識グラフ推論(KGR)は、知識グラフに基づくマイニング論理則に基づいて、既存の事実から新しい事実を推論することを目的としている。
質問応答やレコメンデーションシステムなど、多くのAIアプリケーションでKGを使うことに大きなメリットがあることが証明されている。
論文 参考訳（メタデータ） (2022-12-12T08:40:04Z) - Scientific Paper Extractive Summarization Enhanced by Citation Graphs [50.19266650000948]
我々は、引用グラフを活用して、異なる設定下での科学的論文の抽出要約を改善することに重点を置いている。
予備的な結果は、単純な教師なしフレームワークであっても、引用グラフが有用であることを示している。
そこで我々は,大規模ラベル付きデータが利用可能である場合のタスクにおいて,より正確な結果を得るために,グラフベースのスーパービジョン・サムライゼーション・モデル(GSS)を提案する。
論文 参考訳（メタデータ） (2022-12-08T11:53:12Z) - Graph Neural Networks for Graphs with Heterophily: A Survey [98.45621222357397]
異種グラフに対するグラフニューラルネットワーク(GNN)の総合的なレビューを提供する。
具体的には,既存の異好性GNNモデルを本質的に支配する系統分類法を提案する。
グラフヘテロフィリーと様々なグラフ研究領域の相関を議論し、より効果的なGNNの開発を促進することを目的とした。
論文 参考訳（メタデータ） (2022-02-14T23:07:47Z) - Enhancing Scientific Papers Summarization with Citation Graph [78.65955304229863]
引用グラフを用いて科学論文の要約作業を再定義します。
我々は,141kの研究論文を異なる領域に格納した,新しい科学論文要約データセットセマンティックスタディネットワーク(ssn)を構築した。
我々のモデルは、事前訓練されたモデルと比較して競争性能を達成することができる。
論文 参考訳（メタデータ） (2021-04-07T11:13:35Z)
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。