論文の概要: Scholar Inbox: Personalized Paper Recommendations for Scientists

• arxiv url: http://arxiv.org/abs/2504.08385v1
• Date: Fri, 11 Apr 2025 09:37:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-14 14:20:20.699853
• Title: Scholar Inbox: Personalized Paper Recommendations for Scientists
• Title（参考訳）: 学術誌「Scholar Inbox」
• Authors: Markus Flicke, Glenn Angrabeit, Madhav Iyengar, Vitalii Protsenko, Illia Shakun, Jovan Cicvaric, Bora Kargi, Haoyu He, Lukas Schuler, Lewin Scholz, Kavyanjali Agnihotri, Yong Cao, Andreas Geiger,
• Abstract要約: Scholar Inboxは、研究者が現在の状態を維持する上で直面する課題に、急速に増大する科学文献に対処するために設計された、新しいオープンアクセスプラットフォームである。 我々は、パーソナライズされたレコメンデーション、オープンアクセスアーカイブからの継続的な更新、ビジュアルペーパー要約、セマンティック検索、そしてオープンな研究アクセスを効率化し促進するための様々なツールを提供する。 プラットフォームのパーソナライズされたレコメンデーションシステムは、個々の研究者の関心に合わせたレコメンデーションを保証するために、ユーザのレーティングに基づいてトレーニングされている。
• 参考スコア（独自算出の注目度）: 20.51711919521527
• License:
• Abstract: Scholar Inbox is a new open-access platform designed to address the challenges researchers face in staying current with the rapidly expanding volume of scientific literature. We provide personalized recommendations, continuous updates from open-access archives (arXiv, bioRxiv, etc.), visual paper summaries, semantic search, and a range of tools to streamline research workflows and promote open research access. The platform's personalized recommendation system is trained on user ratings, ensuring that recommendations are tailored to individual researchers' interests. To further enhance the user experience, Scholar Inbox also offers a map of science that provides an overview of research across domains, enabling users to easily explore specific topics. We use this map to address the cold start problem common in recommender systems, as well as an active learning strategy that iteratively prompts users to rate a selection of papers, allowing the system to learn user preferences quickly. We evaluate the quality of our recommendation system on a novel dataset of 800k user ratings, which we make publicly available, as well as via an extensive user study. https://www.scholar-inbox.com/
• Abstract（参考訳）: Scholar Inboxは、研究者が現在の状態を維持する上で直面する課題に、急速に増大する科学文献に対処するために設計された、新しいオープンアクセスプラットフォームである。 我々は、パーソナライズされたレコメンデーション、オープンアクセスアーカイブ(arXiv、bioRxivなど)からの継続的な更新、ビジュアルペーパー要約、セマンティック検索、研究ワークフローの合理化、オープンリサーチアクセスの促進など、さまざまなツールを提供している。 プラットフォームのパーソナライズされたレコメンデーションシステムは、個々の研究者の関心に合わせたレコメンデーションを保証するために、ユーザのレーティングに基づいてトレーニングされている。 ユーザエクスペリエンスをさらに向上するために、Scholar Inboxは、ドメイン間の研究の概要を提供する科学のマップも提供している。 このマップは,レコメンデーションシステムに共通するコールドスタート問題に対処すると同時に,ユーザが論文の選択を反復的に評価するように促すアクティブラーニング戦略を用いて,ユーザの好みを素早く学習できるようにする。 提案する推薦システムの品質を,800kのユーザ評価データセットを用いて評価する。 https://www.scholar-inbox.com/

関連論文リスト

• Utilizing Collaborative Filtering in a Personalized Research-Paper Recommendation System [0.0]
  リサーチペーパーレコメンデーションシステム(リサーチペーパーレコメンデーションシステム)は、共通の研究関心を持つ人々向けに開発されたシステムである。 対象ユーザ調査論文の上位nの類似ユーザを対象に,提案したレコメンデーションを作成した。
  論文  参考訳（メタデータ） (2024-09-28T06:47:30Z)
• SurveyAgent: A Conversational System for Personalized and Efficient Research Survey [50.04283471107001]
  本稿では,研究者にパーソナライズされた効率的な調査支援を目的とした会話システムであるSurveyAgentを紹介する。 SurveyAgentは3つの重要なモジュールを統合している。文書を整理するための知識管理、関連する文献を発見するための勧告、より深いレベルでコンテンツを扱うためのクエリ回答だ。 本評価は,研究活動の合理化におけるSurveyAgentの有効性を実証し,研究者の科学文献との交流を促進する能力を示すものである。
  論文  参考訳（メタデータ） (2024-04-09T15:01:51Z)
• Embedding in Recommender Systems: A Survey [67.67966158305603]
  重要な側面は、ユーザやアイテムIDといった高次元の離散的な特徴を低次元連続ベクトルに包含する技法である。 埋め込み技術の適用は複雑なエンティティ関係を捉え、かなりの研究を刺激している。 この調査では、協調フィルタリング、自己教師付き学習、グラフベースのテクニックなどの埋め込み手法を取り上げている。
  論文  参考訳（メタデータ） (2023-10-28T06:31:06Z)
• DiscoverPath: A Knowledge Refinement and Retrieval System for Interdisciplinarity on Biomedical Research [96.10765714077208]
  従来のキーワードベースの検索エンジンは、特定の用語に慣れていないユーザーを支援するのに不足している。 本稿では, バイオメディカル研究のための知識グラフに基づく紙検索エンジンを提案し, ユーザエクスペリエンスの向上を図る。 DiscoverPathと呼ばれるこのシステムは、名前付きエンティティ認識(NER)とPOSタグを使って、記事の要約から用語や関係を抽出し、KGを作成する。
  論文  参考訳（メタデータ） (2023-09-04T20:52:33Z)
• Impression-Aware Recommender Systems [53.48892326556546]
  本稿ではインプレッションを用いたレコメンデーションシステムに関する体系的な文献レビューを行う。 本稿では,印象型レコメンデーションシステムと,印象型レコメンデーションシステムという,パーソナライズされたレコメンデーションのための新しいパラダイムを論じる。
  論文  参考訳（メタデータ） (2023-08-15T16:16:02Z)
• 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)
• Bridger: Toward Bursting Scientific Filter Bubbles and Boosting Innovation via Novel Author Discovery [22.839876884227536]
  ブリッジャー(Bridger)は、学者とその研究の発見を促進するシステムである。 論文から抽出した情報と推論されたペルソナを用いて著者の顔表現を構築する。 我々は、科学者間の共通点とコントラストを見つけるアプローチを開発する。
  論文  参考訳（メタデータ） (2021-08-12T11:24:23Z)
• 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)
• 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)
• CHAMELEON: A Deep Learning Meta-Architecture for News Recommender Systems [Phd. Thesis] [0.43512163406551996]
  CHAMELEONは、ニュースレコメンデーションの課題に取り組むために設計されたディープラーニングメタアーキテクチャである。 モジュラー参照アーキテクチャで構成されており、異なるニューラルビルディングブロックを使用してインスタンス化することができる。 2つの大きなデータセットを用いて行った実験は、ニュースレコメンデーションにおけるCHAMELEONの有効性を示した。
  論文  参考訳（メタデータ） (2019-12-29T13:40:56Z)

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。