論文の概要: Research Paper Recommender System by Considering Users' Information Seeking Behaviors

• arxiv url: http://arxiv.org/abs/2504.02377v1
• Date: Thu, 03 Apr 2025 08:11:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-04 19:35:53.677886
• Title: Research Paper Recommender System by Considering Users' Information Seeking Behaviors
• Title（参考訳）: ユーザの情報検索行動を考慮した研究論文推薦システム
• Authors: Zhelin Xu, Shuhei Yamamoto, Hideo Joho,
• Abstract要約: 論文レコメンデーションにおける主要なアプローチの1つは、コンテンツベースのフィルタリングである。 本稿では,この情報を考慮に入れたコンテンツに基づくフィルタリングレコメンデーション手法を提案する。
• 参考スコア（独自算出の注目度）: 0.8588898349347149
• License:
• Abstract: With the rapid growth of scientific publications, researchers need to spend more time and effort searching for papers that align with their research interests. To address this challenge, paper recommendation systems have been developed to help researchers in effectively identifying relevant paper. One of the leading approaches to paper recommendation is content-based filtering method. Traditional content-based filtering methods recommend relevant papers to users based on the overall similarity of papers. However, these approaches do not take into account the information seeking behaviors that users commonly employ when searching for literature. Such behaviors include not only evaluating the overall similarity among papers, but also focusing on specific sections, such as the method section, to ensure that the approach aligns with the user's interests. In this paper, we propose a content-based filtering recommendation method that takes this information seeking behavior into account. Specifically, in addition to considering the overall content of a paper, our approach also takes into account three specific sections (background, method, and results) and assigns weights to them to better reflect user preferences. We conduct offline evaluations on the publicly available DBLP dataset, and the results demonstrate that the proposed method outperforms six baseline methods in terms of precision, recall, F1-score, MRR, and MAP.
• Abstract（参考訳）: 科学出版物が急速に成長するにつれ、研究者は研究の関心に沿う論文を探すのにより多くの時間と労力を費やす必要がある。 この課題に対処するため、研究者が関連論文を効果的に識別するのに役立つ論文推薦システムを開発した。 論文レコメンデーションにおける主要なアプローチの1つは、コンテンツベースのフィルタリングである。 従来のコンテンツベースのフィルタリング手法は、論文の全体的な類似性に基づいて、関連論文をユーザに推奨する。 しかし,これらの手法は,文献検索時に一般的に採用される行動を探究する情報を考慮に入れていない。 このような行動には、論文間の全体的な類似性を評価することだけでなく、アプローチがユーザの関心と一致することを保証するために、メソッドセクションのような特定のセクションに焦点を当てることも含まれる。 本稿では,この情報探索行動を考慮したコンテンツに基づくフィルタリング推薦手法を提案する。 具体的には,論文の全体的内容を考慮することに加えて,提案手法は3つの特定のセクション(背景,方法,結果)を考慮し,ユーザの好みを反映するように重みを割り当てる。 本研究では,DBLPデータセットのオフライン評価を行い,提案手法が精度,リコール,F1スコア,MRR,MAPの6つのベースライン法より優れていることを示す。

関連論文リスト

• Online and Offline Evaluations of Collaborative Filtering and Content Based Recommender Systems [0.0]
  本研究では,イランにおける大規模レコメンデーションシステムの比較分析を行った。 このシステムは、コンテンツベース、協調フィルタリング、トレンドベース手法、ハイブリッドアプローチを用いた、ユーザベースおよびアイテムベースのレコメンデーションを採用している。 評価方法は,手動による評価,ヒットレート@kやnDCGなどの評価指標を含むオフラインテスト,クリックスルーレート(CTR)によるオンラインテストなどである。
  論文  参考訳（メタデータ） (2024-11-02T20:05:31Z)
• An Efficient Multi-threaded Collaborative Filtering Approach in Recommendation System [0.0]
  本研究は,多数のユーザを効率的に扱えるスケーラブルなレコメンデーションシステムの構築に焦点を当てる。 これを実現するために、マルチスレッドの類似性アプローチが採用されている。 この並列化は従来の手法に比べて計算時間を著しく短縮し、高速で効率的でスケーラブルなレコメンデーションシステムをもたらす。
  論文  参考訳（メタデータ） (2024-09-28T06:33:18Z)
• A Comprehensive Survey on Retrieval Methods in Recommender Systems [32.1847120460637]
  本調査では,レコメンデータシステムの重要かつ見落とされがちな検索段階について検討する。 高精度かつ効率的なパーソナライズされた検索を実現するために,既存の作業を3つの重要な領域にまとめる。 特定の企業における検索実践のケーススタディを通じて、現在の産業応用を取り上げる。
  論文  参考訳（メタデータ） (2024-07-11T07:09:59Z)
• Generating Natural Language Queries for More Effective Systematic Review Screening Prioritisation [53.77226503675752]
  現在の技術状況では、レビューの最終タイトルをクエリとして、BERTベースのニューラルランクラを使用してドキュメントのランク付けに使用しています。 本稿では,ChatGPT や Alpaca などの命令ベース大規模言語モデルによって生成される文書の検索に使用される Boolean クエリやクエリなど,スクリーニングを優先するクエリの代替源について検討する。 私たちのベストアプローチは、スクリーニング時に利用可能な情報に基づいて実現されるだけでなく、最終タイトルと同じような効果があります。
  論文  参考訳（メタデータ） (2023-09-11T05:12:14Z)
• A Gold Standard Dataset for the Reviewer Assignment Problem [117.59690218507565]
  類似度スコア(Similarity score)とは、論文のレビューにおいて、レビュアーの専門知識を数値で見積もるものである。 私たちのデータセットは、58人の研究者による477の自己申告された専門知識スコアで構成されています。 2つの論文をレビュアーに関連付けるタスクは、簡単なケースでは12%～30%、ハードケースでは36%～43%である。
  論文  参考訳（メタデータ） (2023-03-23T16:15:03Z)
• Tag-Aware Document Representation for Research Paper Recommendation [68.8204255655161]
  本稿では,ユーザによって割り当てられたソーシャルタグに基づいて,研究論文の深い意味表現を活用するハイブリッドアプローチを提案する。 提案手法は,評価データが極めて少ない場合でも研究論文の推薦に有効である。
  論文  参考訳（メタデータ） (2022-09-08T09:13:07Z)
• A Dataset on Malicious Paper Bidding in Peer Review [84.68308372858755]
  悪意あるレビュアーは、紙の割り当てを非倫理的に操作するために戦略的に入札した。 この問題を緩和するための方法の作成と評価への重要な障害は、悪意ある紙入札に関する公開データの欠如である。 我々は、参加者に正直に、悪意的に入札するよう指示されたモックカンファレンス活動から収集された、新しいデータセットをリリースする。
  論文  参考訳（メタデータ） (2022-06-24T20:23:33Z)
• Enhancing Reading Strategies by Exploring A Theme-based Approach to Literature Surveys [5.004814662623872]
  我々は,コーパスを視覚的に,テーマ的に探索できる方法論を考案し,個人化された全体的読解戦略を開発した。 その結果, (i) 未読の論文を選別し, (ii) より一貫性のある読解戦略を開発し, (iii) 論文間のテーマ構造と関係をより効果的に理解した。
  論文  参考訳（メタデータ） (2021-02-10T10:36:45Z)
• Deep Learning feature selection to unhide demographic recommender systems factors [63.732639864601914]
  行列分解モデルは意味的知識を含まない因子を生成する。 DeepUnHideは、協調フィルタリングレコメンデータシステムにおいて、ユーザとアイテムファクタから、人口統計情報を抽出することができる。
  論文  参考訳（メタデータ） (2020-06-17T17:36:48Z)
• A Survey on Knowledge Graph-Based Recommender Systems [65.50486149662564]
  我々は知識グラフに基づく推薦システムの体系的な調査を行う。 論文は、知識グラフを正確かつ説明可能なレコメンデーションにどのように活用するかに焦点を当てる。 これらの作業で使用されるデータセットを紹介します。
  論文  参考訳（メタデータ） (2020-02-28T02:26:30Z)

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。