論文の概要: A BERT Based Hybrid Recommendation System For Academic Collaboration
- arxiv url: http://arxiv.org/abs/2502.15223v1
- Date: Fri, 21 Feb 2025 05:35:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-24 16:10:04.009959
- Title: A BERT Based Hybrid Recommendation System For Academic Collaboration
- Title（参考訳）: 理科連携のためのBERTに基づくハイブリッド推薦システム
- Authors: Sangeetha N, Harish Thangaraj, Varun Vashisht, Eshaan Joshi, Kanishka Verma, Diya Katariya,
- Abstract要約: 大学は学術的なコラボレーションのハブとして機能し、学生や教員の間で様々なアイデアや視点の交換を促進する。
この課題に対処するため,大学内における同志の利害関係者を結びつけるために,学術別プロファイル推薦システムを提案する。
本研究では、TF-IDF(Term Frequency-Inverse Document Frequency)、BERT(Bidirectional Representations from Transformers)、および効果的なレコメンデーションを生成するためのハイブリッドアプローチの3つの手法を評価する。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Universities serve as a hub for academic collaboration, promoting the exchange of diverse ideas and perspectives among students and faculty through interdisciplinary dialogue. However, as universities expand in size, conventional networking approaches via student chapters, class groups, and faculty committees become cumbersome. To address this challenge, an academia-specific profile recommendation system is proposed to connect like-minded stakeholders within any university community. This study evaluates three techniques: Term Frequency-Inverse Document Frequency (TF-IDF), Bidirectional Encoder Representations from Transformers (BERT), and a hybrid approach to generate effective recommendations. Due to the unlabelled nature of the dataset, Affinity Propagation cluster-based relabelling is performed to understand the grouping of similar profiles. The hybrid model demonstrated superior performance, evidenced by its similarity score, Silhouette score, Davies-Bouldin index, and Normalized Discounted Cumulative Gain (NDCG), achieving an optimal balance between diversity and relevance in recommendations. Furthermore, the optimal model has been implemented as a mobile application, which dynamically suggests relevant profiles based on users' skills and collaboration interests, incorporating contextual understanding. The potential impact of this application is significant, as it promises to enhance networking opportunities within large academic institutions through the deployment of intelligent recommendation systems.
- Abstract（参考訳）: 大学は学術的なコラボレーションのハブとして機能し、学際的な対話を通じて、学生と教員の間で多様な考えと視点の交換を促進する。
しかし、大学が規模を拡大するにつれて、学生章、クラスグループ、教員委員会を通じた従来のネットワークアプローチは困難になる。
この課題に対処するため,大学内における同志の利害関係者を結びつけるために,学術別プロファイル推薦システムを提案する。
本研究では、TF-IDF(Term Frequency-Inverse Document Frequency)、BERT(Bidirectional Encoder Representations from Transformers)、および効果的なレコメンデーションを生成するためのハイブリッドアプローチの3つの手法を評価する。
アフィニティ・プロパゲーション(Affinity Propagation)クラスタベースのリラベリング(relabelling)は、データセットの非ラベリングの性質のため、類似したプロファイルのグルーピングを理解するために行われる。
このハイブリッドモデルは、類似度スコア、シルエットスコア、デイビーズ・ボルディン指数、正規化カウント累積ゲイン(NDCG)によって証明された優れた性能を示し、多様性とレコメンデーションの関係を最適なバランスで達成した。
さらに,モバイルアプリケーションとして最適モデルが実装されており,ユーザのスキルやコラボレーションの関心事に基づいたプロファイルを動的に提案し,コンテキスト理解を取り入れている。
このアプリケーションの潜在的な影響は、インテリジェントなレコメンデーションシステムの展開を通じて、大規模学術機関におけるネットワークの機会を高めることを約束しているため、非常に大きい。
関連論文リスト
- Heterogeneity-aware Cross-school Electives Recommendation: a Hybrid
Federated Approach [11.838400501725923]
異種対応ハイブリッドフェデレータシステムであるHFRecを提案する。
我々は、適応的な学習設定を持つ個別の学校ベースのモデルを訓練し、フェデレートされたスキームの下で調整することを推奨する。
私たちのHFRecモデルは、オープンソースのデータセットと実世界のデータセットの両方で最先端のモデルよりも優れているため、プライバシを維持しながらパーソナライズされた選択レコメンデーションを提供することの有効性を示しています。
論文 参考訳（メタデータ） (2024-02-19T15:06:04Z) - Helping university students to choose elective courses by using a hybrid
multi-criteria recommendation system with genetic optimization [0.0]
本稿では、協調フィルタリング(CF)とコンテンツベースフィルタリング(CBF)を組み合わせたハイブリッドRSを提案する。
遺伝的アルゴリズム(GA)は最適なRS構成を自動的に発見するために開発された。
実験結果から, コース推薦における最も関連性の高い基準について検討した。
論文 参考訳（メタデータ） (2024-02-13T11:02:12Z) - Exploring Federated Unlearning: Analysis, Comparison, and Insights [101.64910079905566]
フェデレーション・アンラーニングは、フェデレーション・システムで訓練されたモデルからデータを選択的に除去することを可能にする。
本稿では,既存のフェデレーション・アンラーニング手法について検討し,アルゴリズムの効率,モデル精度への影響,プライバシ保護の有効性について検討する。
フェデレートされたアンラーニング手法を評価するための統一ベンチマークであるOpenFederatedUnlearningフレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-30T01:34:33Z) - Generalizable Heterogeneous Federated Cross-Correlation and Instance
Similarity Learning [60.058083574671834]
本稿では,新しいFCCL+,フェデレーション相関と非ターゲット蒸留との類似性学習を提案する。
不均一な問題に対しては、無関係な公開データを通信に活用する。
局所的な更新段階における破滅的な忘れ物として、FCCL+はFederated Non Target Distillationを導入している。
論文 参考訳（メタデータ） (2023-09-28T09:32:27Z) - SOS TUTORIA UC: A Diversity-Aware Application for Tutor Recommendation
Based on Competence and Personality [1.0351140137680235]
本研究は,アプリケーションにおける経験の発達と妥当性について述べる。
WeNetプラットフォームとの統合は、コンポーネントの点で成功した。
レコメンデーションシステムテストの結果は肯定的だが改善の余地はあった。
論文 参考訳（メタデータ） (2023-09-19T18:27:12Z) - Set-to-Sequence Ranking-based Concept-aware Learning Path Recommendation [49.85548436111153]
SRC(Set-to-Sequence Ranking-based Concept-Aware Learning Path Recommendation)という新しいフレームワークを提案する。
SRCは、セット・ツー・シーケンス・パラダイムの下でレコメンデーション・タスクを定式化する。
実世界の2つの公開データセットと1つの産業データセットについて広範な実験を行う。
論文 参考訳（メタデータ） (2023-06-07T08:24:44Z) - Combating Exacerbated Heterogeneity for Robust Models in Federated
Learning [91.88122934924435]
対人訓練と連合学習の組み合わせは、望ましくない頑丈さの劣化につながる可能性がある。
我々は、Slack Federated Adversarial Training (SFAT)と呼ばれる新しいフレームワークを提案する。
各種ベンチマークおよび実世界のデータセットに対するSFATの合理性と有効性を検証する。
論文 参考訳（メタデータ） (2023-03-01T06:16:15Z) - Recent Advances in Heterogeneous Relation Learning for Recommendation [5.390295867837705]
異種関係学習に焦点を当てたレコメンデーションフレームワークの開発について概説する。
このタスクの目的は、不均一な関係データを潜在表現空間にマッピングすることである。
本稿では,行列分解,注意機構,グラフニューラルネットワークなど,各カテゴリの学習手法について論じる。
論文 参考訳（メタデータ） (2021-10-07T13:32:04Z) - A Field Guide to Federated Optimization [161.3779046812383]
フェデレートされた学習と分析は、分散化されたデータからモデル(あるいは統計)を協調的に学習するための分散アプローチである。
本稿では、フェデレート最適化アルゴリズムの定式化、設計、評価、分析に関する勧告とガイドラインを提供する。
論文 参考訳（メタデータ） (2021-07-14T18:09:08Z) - Simultaneous Relevance and Diversity: A New Recommendation Inference
Approach [81.44167398308979]
本稿では,新しいCF推論手法である負対陽性を導入することにより,一般協調フィルタリング(CF)を拡張した新しい手法を提案する。
我々のアプローチは、様々な高度なレベルでの幅広い推奨シナリオ/ユースケースに適用できる。
公開データセットと実世界の生産データに関する分析と実験により、我々のアプローチは、関連性および多様性に関する既存の手法を同時に上回ることを示した。
論文 参考訳（メタデータ） (2020-09-27T22:20:12Z) - 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。