論文の概要: Advanced Academic Team Worker Recommendation Models
- arxiv url: http://arxiv.org/abs/2402.16876v1
- Date: Wed, 7 Feb 2024 22:37:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-03 19:21:12.144822
- Title: Advanced Academic Team Worker Recommendation Models
- Title（参考訳）: 高度なアカデミックチーム労働者推薦モデル
- Authors: Mi Wu
- Abstract要約: 我々は,学術チーム労働者推薦という新たな課題を提案する。
学術チーム(助教授、助教授、学生)を推薦できる。
実験の結果,提案手法の有効性が示された。
- 参考スコア（独自算出の注目度）: 0.1864807003137943
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Collaborator recommendation is an important task in academic domain. Most of
the existing approaches have the assumption that the recommendation system only
need to recommend a specific researcher for the task. However, academic
successes can be owed to productive collaboration of a whole academic team. In
this work, we propose a new task: academic team worker recommendation: with a
given status: student, assistant professor or prime professor, research
interests and specific task, we can recommend an academic team formed as (prime
professor, assistant professor, student). For this task, we propose a model
CQBG-R(Citation-Query Blended Graph-Ranking). The key ideas is to combine the
context of the query and the papers with the graph topology to form a new
graph(CQBG), which can target at the research interests and the specific
research task for this time. The experiment results show the effectiveness of
the proposed method.
- Abstract（参考訳）: 協力者推薦は学術分野において重要な課題である。
既存のアプローチのほとんどは、レコメンデーションシステムが特定の研究者をタスクに推薦するだけでよいという仮定を持っています。
しかしながら、アカデミックな成功は、アカデミックチーム全体の生産的なコラボレーションに負うことができる。
本研究では,研究課題として,学生,助教授,教授助教授,教授助教授,研究の関心事,特定のタスクなど,特定の地位の学術チーム(助教授,助教授,学生)を推薦する,という新たな課題を提案する。
本研究では,CQBG-R(Citation-Query Blended Graph-Ranking)モデルを提案する。
鍵となる考え方は、クエリのコンテキストと論文をグラフトポロジと組み合わせて新しいグラフ(CQBG)を形成することである。
実験の結果,提案手法の有効性が示された。
関連論文リスト
- Promoting Research Collaboration with Open Data Driven Team
Recommendation in Response to Call for Proposals [10.732914229005903]
さまざまなAI手法を用いてチームを推薦する新しいシステムについて述べる。
短期と長期の目標のバランスをとるメトリクスに沿って、良さを最大化するためにチームを作ります。
論文 参考訳（メタデータ） (2023-09-18T00:04:08Z) - Zero-shot Item-based Recommendation via Multi-task Product Knowledge
Graph Pre-Training [106.85813323510783]
本稿ではゼロショットアイテムベース勧告(ZSIR)タスクのための新しいパラダイムを提案する。
製品知識グラフ(PKG)のモデルを事前トレーニングして、PLMからアイテム機能を洗練します。
我々は,PKGにおける多型関係,アイテムジェネリック情報と関係のセマンティックな相違,PKGから下流ZSIRタスクへのドメイン差といった,PKG事前学習の課題を3つ挙げる。
論文 参考訳（メタデータ） (2023-05-12T17:38:24Z) - Reinforcement Learning with Success Induced Task Prioritization [68.8204255655161]
本稿では,自動カリキュラム学習のためのフレームワークであるSuccess induced Task Prioritization (SITP)を紹介する。
アルゴリズムはエージェントに最速の学習を提供するタスクの順序を選択する。
我々は,SITPが他のカリキュラム設計手法と一致するか,あるいは上回っていることを実証する。
論文 参考訳（メタデータ） (2022-12-30T12:32:43Z) - Few-shot Relational Reasoning via Connection Subgraph Pretraining [81.30830261527231]
Connection Subgraph Reasoner (CSR) は、事前トレーニングを必要とせずに、ターゲットの少数ショットタスクを直接予測することができる。
私たちのフレームワークは、既存のメソッドに対して、目標とする数ショットタスクに対して、すでに競合的に実行可能です。
論文 参考訳（メタデータ） (2022-10-13T04:35:14Z) - Detection, Disambiguation, Re-ranking: Autoregressive Entity Linking as
a Multi-Task Problem [46.028180604304985]
本稿では,2つの補助的なタスクで訓練された自己回帰エンティティリンクモデルを提案する。
我々は,2つの補助課題のそれぞれがパフォーマンスを向上し,再ランク付けが増加の重要な要因であることをアブレーション研究を通して示す。
論文 参考訳（メタデータ） (2022-04-12T17:55:22Z) - Arch-Graph: Acyclic Architecture Relation Predictor for
Task-Transferable Neural Architecture Search [96.31315520244605]
Arch-Graphはタスク固有の最適アーキテクチャを予測するトランスファー可能なNASメソッドである。
Arch-Graphの転送性と,多数のタスクにわたる高いサンプル効率を示す。
わずか50モデルの予算の下で、2つの検索スペースで平均して0.16%と0.29%のアーキテクチャを見つけることができる。
論文 参考訳（メタデータ） (2022-04-12T16:46:06Z) - Heterogeneous Graph Learning for Explainable Recommendation over
Academic Networks [14.99215332381067]
本研究は、学業移行の行動を理解することを目的として、Ph.D.卒業生に適した制度を推薦する。
このデザインは学術的・学術的なネットワークの上に構築され、学者や機関間の科学的コラボレーションに関する豊富な情報を含んでいる。
本稿では,複数のメタパス間の隠れた関係を発見するために,学術的注意とメタパス的注意を提案する。
論文 参考訳（メタデータ） (2022-02-16T02:40:09Z) - Towards Collaborative Question Answering: A Preliminary Study [63.91687114660126]
我々は、モデレーターによって調整された複数の専門家エージェントが協力して、単一のエージェントだけでは答えられない質問に答える新しいQAタスクCollabQAを提案する。
専門家に分散可能な,大規模な知識グラフの合成データセットを作成する。
専門家が完璧で均一でない限り,コラボレーション構造を導入することなく,この問題が解決可能であることを示す。
論文 参考訳（メタデータ） (2022-01-24T14:27:00Z) - An Explanatory Query-Based Framework for Exploring Academic Expertise [10.887008988767061]
機関内の潜在的な協力者を見つけることは、偏見を伴う手動検索作業に時間を要する。
本研究では,研究専門知識の検索,評価,探索を行う新しいクエリベースのフレームワークを提案する。
提案手法は, 望ましい特性を満足し, 効率的であると同時に, 一致の同定に有効であることを示す。
論文 参考訳（メタデータ） (2021-05-28T10:48:08Z) - UniNet: Next Term Course Recommendation using Deep Learning [0.0]
本稿では,コースの時系列順が成功の確率にどのように影響するかを表現するための深層学習手法を提案する。
成績情報のみを用いて,AUC測定値の81.10%の性能が得られることを示した。
これは、異なる学生のGPAレベルとコースの難易度で有意義であることが示されている。
論文 参考訳（メタデータ） (2020-09-20T00:07:45Z)
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。