Fugu-MT 論文翻訳(概要): ATEM: A Topic Evolution Model for the Detection of Emerging Topics in Scientific Archives

論文の概要: ATEM: A Topic Evolution Model for the Detection of Emerging Topics in Scientific Archives

arxiv url: http://arxiv.org/abs/2306.02221v1
Date: Sun, 4 Jun 2023 00:32:45 GMT
ステータス: 処理完了
システム内更新日: 2023-06-06 19:14:02.460069
Title: ATEM: A Topic Evolution Model for the Detection of Emerging Topics in Scientific Archives
Title（参考訳）: ATEM:科学アーカイブにおける新たなトピック検出のためのトピック進化モデル
Authors: Hamed Rahimi, Hubert Naacke, Camelia Constantin, Bernd Amann
Abstract要約: ATEMは動的トピックモデリングと動的グラフ埋め込み技術に基づいている。 ATEMは、500万以上のコンピュータサイエンス記事のDBLPアーカイブ内で出現する学際的トピックを効率的に検出することができる。
参考スコア（独自算出の注目度）: 1.854328133293073
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper presents ATEM, a novel framework for studying topic evolution in scientific archives. ATEM is based on dynamic topic modeling and dynamic graph embedding techniques that explore the dynamics of content and citations of documents within a scientific corpus. ATEM explores a new notion of contextual emergence for the discovery of emerging interdisciplinary research topics based on the dynamics of citation links in topic clusters. Our experiments show that ATEM can efficiently detect emerging cross-disciplinary topics within the DBLP archive of over five million computer science articles.
Abstract（参考訳）: 本稿では,学術資料のトピック進化を研究する新しいフレームワークであるATEMについて述べる。 ATEMは、動的トピックモデリングと動的グラフ埋め込み技術に基づいており、科学コーパス内の文書の内容と引用のダイナミクスを探索する。 ATEMは、トピッククラスタにおける引用リンクのダイナミクスに基づいた、新たな学際的な研究トピックの発見のための、コンテキストの出現という新しい概念を探求する。実験の結果,ATEMは500万以上のコンピュータサイエンス論文のDBLPアーカイブ内の学際的トピックを効率的に検出できることがわかった。

関連論文リスト

A Survey of Decomposition-Based Evolutionary Multi-Objective Optimization: Part II -- A Data Science Perspective [4.322038460697958]
5,400以上の論文,10,000人の著者,400の会場,1600のMOEA/D研究機関をカプセル化したナレッジグラフを構築します。また、MOEA/Dの協調と引用ネットワークを探求し、文学の成長に隠れたパターンを明らかにする。
論文参考訳（メタデータ） (2024-04-22T14:38:58Z)
MIReAD: Simple Method for Learning High-quality Representations from Scientific Documents [77.34726150561087]
論文の高品質な表現を学習する簡単な方法であるMIREADを提案する。私たちは、2000以上のジャーナルクラスで50万以上のPubMedとarXivの抽象クラスでMIREADをトレーニングします。
論文参考訳（メタデータ） (2023-05-07T03:29:55Z)
Topic Taxonomy Expansion via Hierarchy-Aware Topic Phrase Generation [58.3921103230647]
TopicExpanというトピック分類拡張のための新しいフレームワークを提案する。 TopicExpanは、新しいトピックに属するトピック関連用語を直接生成する。 2つの実世界のテキストコーパスの実験結果から、TopicExpanは出力の質という点で他のベースライン手法よりも優れていた。
論文参考訳（メタデータ） (2022-10-18T22:38:49Z)
Knowledge-Aware Bayesian Deep Topic Model [50.58975785318575]
本稿では,事前知識を階層型トピックモデリングに組み込むベイズ生成モデルを提案する。提案モデルでは,事前知識を効率的に統合し,階層的なトピック発見と文書表現の両面を改善する。
論文参考訳（メタデータ） (2022-09-20T09:16:05Z)
Overview of STEM Science as Process, Method, Material, and Data Named Entities [0.0]
本研究では,10分野にわたるSTEM記事の大規模構造化データセットの開発と分析を行う。分析は,4つの科学的実体プロセス,方法,材料,データとして構造化された60Kの抽象概念からなる大規模コーパス上で定義される。本研究で作成したSTEM-NER-60kコーパスは,主要出版プラットフォームから得られた60kのSTEM記事から抽出された1M以上のエンティティから構成される。
論文参考訳（メタデータ） (2022-05-24T07:35:24Z)
Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文参考訳（メタデータ） (2021-11-02T10:51:42Z)
The CSO Classifier: Ontology-Driven Detection of Research Topics in Scholarly Articles [0.0]
コンピュータサイエンスオントロジー(CSO)に基づく研究論文の自動分類のための新しい教師なしアプローチを紹介します。 CSOは、研究論文(タイトル、抽象、キーワード)に関連するメタデータを入力として取り、オントロジーから引き出された研究概念の選択を返します。このアプローチは、手作業による注釈付き記事のゴールドスタンダードで評価され、代替方法よりも大幅に改善されました。
論文参考訳（メタデータ） (2021-04-02T09:02:32Z)
A New Neural Search and Insights Platform for Navigating and Organizing AI Research [56.65232007953311]
我々は、古典的なキーワード検索とニューラル検索を組み合わせた新しいプラットフォームであるAI Research Navigatorを導入し、関連する文献を発見し整理する。本稿では,システム全体のアーキテクチャの概要と,文書分析,質問応答,検索,分析,専門家検索,レコメンデーションの構成要素について概説する。
論文参考訳（メタデータ） (2020-10-30T19:12:25Z)
Extracting a Knowledge Base of Mechanisms from COVID-19 Papers [50.17242035034729]
我々はメカニズムの知識ベース(KB)の構築を追求する。我々は、妥当性と幅のバランスをとる広範で統一されたスキーマを開発する。実験は、新型コロナウイルスの文献に関する学際的な科学的検索を支援するためのKBの有用性を実証する。
論文参考訳（メタデータ） (2020-10-08T07:54:14Z)
The STEM-ECR Dataset: Grounding Scientific Entity References in STEM Scholarly Content to Authoritative Encyclopedic and Lexicographic Sources [8.54082916181163]
STEM-ECR v1.0データセットは、科学的実体抽出、分類、解決タスクの評価のためのベンチマークを提供するために開発された。主要な出版プラットフォーム上で最も多用されていると判明した10のSTEM分野の抽象化を含んでいる。
論文参考訳（メタデータ） (2020-03-02T16:35:17Z)
GASP! Generating Abstracts of Scientific Papers from Abstracts of Cited Papers [9.472227971923672]
本稿では,引用論文の要約(GASP)をテキスト・トゥ・テキスト・タスクとして,科学論文の要約を生成するという,新しい,科学的かつ哲学的な課題を紹介する。
論文参考訳（メタデータ） (2020-02-28T14:58:41Z)

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。