論文の概要: Modeling Dynamic Heterogeneous Graph and Node Importance for Future Citation Prediction

• arxiv url: http://arxiv.org/abs/2305.17417v1
• Date: Sat, 27 May 2023 08:53:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-30 19:23:24.923426
• Title: Modeling Dynamic Heterogeneous Graph and Node Importance for Future Citation Prediction
• Title（参考訳）: 動的不均一グラフのモデル化と将来予測のためのノードの重要性
• Authors: Hao Geng, Deqing Wang, Fuzhen Zhuang, Xuehua Ming, Chenguang Du, Ting Jiang, Haolong Guo, Rui Liu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 26.391252682418607
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate citation count prediction of newly published papers could help editors and readers rapidly figure out the influential papers in the future. Though many approaches are proposed to predict a paper's future citation, most ignore the dynamic heterogeneous graph structure or node importance in academic networks. To cope with this problem, we propose a Dynamic heterogeneous Graph and Node Importance network (DGNI) learning framework, which fully leverages the dynamic heterogeneous graph and node importance information to predict future citation trends of newly published papers. First, a dynamic heterogeneous network embedding module is provided to capture the dynamic evolutionary trends of the whole academic network. Then, a node importance embedding module is proposed to capture the global consistency relationship to figure out each paper's node importance. Finally, the dynamic evolutionary trend embeddings and node importance embeddings calculated above are combined to jointly predict the future citation counts of each paper, by a log-normal distribution model according to multi-faced paper node representations. Extensive experiments on two large-scale datasets demonstrate that our model significantly improves all indicators compared to the SOTA models.
• Abstract（参考訳）: 新刊論文の正確な引用数予測は、編集者や読者が将来影響力のある論文を迅速に発見するのに役立ちます。 論文の将来的な引用を予測するために多くのアプローチが提案されているが、ほとんどは学術ネットワークにおける動的不均一グラフ構造やノードの重要性を無視している。 この問題に対処するために、動的不均一グラフとノード重要情報をフル活用して、新たに公開された論文の今後の引用傾向を予測する動的不均一グラフおよび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、動的不均一ネットワーク埋め込みモジュールを提供する。 次に,各論文のノード重要度を求めるために,グローバルな一貫性関係を捉えたノード重要度埋め込みモジュールを提案する。 最後に、上述した動的進化傾向埋め込みとノードの重要性埋め込みを組み合わせることで、多面的な紙ノード表現に従って、ログ正規分布モデルにより各紙の将来の引用回数を共同で予測する。 2つの大規模データセットに対する大規模な実験により、我々のモデルはSOTAモデルと比較して全ての指標を大幅に改善することを示した。

関連論文リスト

• Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
  解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。 また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。 本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
  論文  参考訳（メタデータ） (2024-10-13T02:22:14Z)
• 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)
• DURENDAL: Graph deep learning framework for temporal heterogeneous networks [0.5156484100374057]
  時間的異種ネットワーク(THN)は、多くの現実世界の応用を特徴付ける進化的ネットワークである。 THNのためのグラフ深層学習フレームワークであるDURENDALを提案する。
  論文  参考訳（メタデータ） (2023-09-30T10:46:01Z)
• H2CGL: Modeling Dynamics of Citation Network for Impact Prediction [13.00224680454585]
  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。
  論文  参考訳（メタデータ） (2023-04-16T13:04:32Z)
• Continuous-Time and Multi-Level Graph Representation Learning for Origin-Destination Demand Prediction [52.0977259978343]
  本稿では,原位置需要予測(CMOD)のための連続時間および多段階動的グラフ表現学習法を提案する。 状態ベクトルは、過去のトランザクション情報を保持し、最近発生したトランザクションに従って継続的に更新される。 北京地下鉄とニューヨークタクシーの2つの実世界のデータセットを用いて実験を行い、そのモデルが最先端のアプローチに対して優れていることを実証した。
  論文  参考訳（メタデータ） (2022-06-30T03:37:50Z)
• EXPERT: Public Benchmarks for Dynamic Heterogeneous Academic Graphs [5.4744970832051445]
  グラフ予測タスクのために開発されたモデルの有効性を検証するために,大規模で動的に異種な学術グラフを提案する。 我々の新しいデータセットは、人工知能(AI)と核拡散(NN)の2つのコミュニティにわたる科学出版物から抽出された文脈情報と内容情報の両方をカバーしている。
  論文  参考訳（メタデータ） (2022-04-14T19:43:34Z)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)
• TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
  我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。 我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
  論文  参考訳（メタデータ） (2021-05-17T15:33:25Z)
• Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
  グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。 本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
  論文  参考訳（メタデータ） (2021-01-16T16:18:43Z)
• A Heterogeneous Dynamical Graph Neural Networks Approach to Quantify Scientific Impact [39.9627229543809]
  論文や著者の累積的影響を明示的にモデル化し,予測するために,異種動的グラフニューラルネットワーク(HDGNN)に基づくアプローチを提案する。 実際の引用データセットで行った実験は、論文と著者の両方の影響を予測する優れた性能を示した。
  論文  参考訳（メタデータ） (2020-03-26T17:15:36Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。