論文の概要: PARK: Personalized academic retrieval with knowledge-graphs
- arxiv url: http://arxiv.org/abs/2507.13910v1
- Date: Fri, 18 Jul 2025 13:41:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-21 20:43:26.297577
- Title: PARK: Personalized academic retrieval with knowledge-graphs
- Title（参考訳）: PARK:知識グラフを用いた個人化学術検索
- Authors: Pranav Kasela, Gabriella Pasi, Raffaele Perego,
- Abstract要約: 学術検索 (Academic search) は、学術論文や会議論文などの科学文書の管理と検索を目的とした検索タスクである。
まず、検索のためのニューラルネットワークモデルを訓練し、その後、学術グラフを知識グラフに変換する2段階のアプローチを提案する。
これにより、ユーザモデルは、引用グラフと紙コンテンツ内の明示的な関係と隠された構造の両方をキャプチャできる。
- 参考スコア（独自算出の注目度）: 6.879116518049676
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Academic Search is a search task aimed to manage and retrieve scientific documents like journal articles and conference papers. Personalization in this context meets individual researchers' needs by leveraging, through user profiles, the user related information (e.g. documents authored by a researcher), to improve search effectiveness and to reduce the information overload. While citation graphs are a valuable means to support the outcome of recommender systems, their use in personalized academic search (with, e.g. nodes as papers and edges as citations) is still under-explored. Existing personalized models for academic search often struggle to fully capture users' academic interests. To address this, we propose a two-step approach: first, training a neural language model for retrieval, then converting the academic graph into a knowledge graph and embedding it into a shared semantic space with the language model using translational embedding techniques. This allows user models to capture both explicit relationships and hidden structures in citation graphs and paper content. We evaluate our approach in four academic search domains, outperforming traditional graph-based and personalized models in three out of four, with up to a 10\% improvement in MAP@100 over the second-best model. This highlights the potential of knowledge graph-based user models to enhance retrieval effectiveness.
- Abstract（参考訳）: 学術検索 (Academic Search) は、学術論文や会議論文などの科学文書の管理と検索を目的とした検索タスクである。
このコンテキストにおけるパーソナライゼーションは、ユーザプロファイルを通じて、ユーザ関連情報(例えば研究者が作成した文書)を活用して、検索効率を改善し、情報の過負荷を低減することによって、個々の研究者のニーズを満たす。
引用グラフはレコメンデーションシステムの結果をサポートする貴重な手段であるが、パーソナライズされた学術的な検索(例えば論文や論文のエッジなど)での使用はいまだ検討されていない。
既存の学術検索のためのパーソナライズされたモデルでは、しばしばユーザーの学術的関心を完全に捉えるのに苦労する。
そこで我々は,まずニューラルネットワークモデルを学習し,次に学術グラフを知識グラフに変換し,翻訳埋め込み技術を用いて言語モデルと共有意味空間に埋め込む2段階のアプローチを提案する。
これにより、ユーザモデルは、引用グラフと紙コンテンツ内の明示的な関係と隠された構造の両方をキャプチャできる。
従来のグラフベースモデルとパーソナライズモデルとを4つ中3つで比較し,MAP@100を2番目のベストモデルよりも最大10倍改善した。
このことは、検索効率を高める知識グラフベースのユーザモデルの可能性を強調している。
関連論文リスト
- Personalized Graph-Based Retrieval for Large Language Models [51.7278897841697]
ユーザ中心の知識グラフを利用してパーソナライゼーションを強化するフレームワークを提案する。
構造化されたユーザ知識を直接検索プロセスに統合し、ユーザ関連コンテキストにプロンプトを拡大することにより、PGraphはコンテキスト理解と出力品質を向上させる。
また,ユーザ履歴が不足あるいは利用できない実環境において,パーソナライズされたテキスト生成タスクを評価するために設計された,パーソナライズドグラフベースのテキスト生成ベンチマークを導入する。
論文 参考訳（メタデータ） (2025-01-04T01:46:49Z) - Conversational Exploratory Search of Scholarly Publications Using Knowledge Graphs [3.3916160303055567]
我々は,知識グラフを用いた学術出版物探索のための会話検索システムを開発した。
システムの有効性を評価するために,様々な評価指標を用い,40名の被験者で人的評価を行った。
論文 参考訳（メタデータ） (2024-10-01T06:16:07Z) - iText2KG: Incremental Knowledge Graphs Construction Using Large Language Models [0.7165255458140439]
iText2KGは、後処理なしで漸進的にトピックに依存しない知識グラフを構築する方法である。
提案手法は,3つのシナリオにまたがるベースライン手法と比較して,優れた性能を示す。
論文 参考訳（メタデータ） (2024-09-05T06:49:14Z) - 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) - 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) - PubGraph: A Large-Scale Scientific Knowledge Graph [11.240833731512609]
PubGraphは、大規模な知識グラフの形式を取り入れた、科学的進歩を研究するための新しいリソースである。
PubGraphはWikidata、OpenAlex、Semantic Scholarなど、さまざまなソースからのデータを包括的に統合している。
知識グラフ補完のコアタスクとしてPubGraphから抽出した大規模ベンチマークを複数作成する。
論文 参考訳（メタデータ） (2023-02-04T20:03:55Z) - The Semantic Scholar Open Data Platform [92.2948743167744]
セマンティック・スカラー(Semantic Scholar、S2)は、学術文献の発見と理解を支援することを目的としたオープンデータプラットフォームおよびウェブサイトである。
我々は、学術的なPDFコンテンツ抽出と知識グラフの自動構築のための最先端技術を用いて、パブリックおよびプロプライエタリなデータソースを組み合わせる。
このグラフには、構造解析されたテキスト、自然言語要約、ベクトル埋め込みなどの高度な意味的特徴が含まれている。
論文 参考訳（メタデータ） (2023-01-24T17:13:08Z) - A Graph-Enhanced Click Model for Web Search [67.27218481132185]
ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。
セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
論文 参考訳（メタデータ） (2022-06-17T08:32:43Z) - 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) - Exploiting Structured Knowledge in Text via Graph-Guided Representation
Learning [73.0598186896953]
本稿では、知識グラフからのガイダンスを用いて、生テキスト上で学習する2つの自己教師型タスクを提案する。
エンティティレベルのマスキング言語モデルに基づいて、最初のコントリビューションはエンティティマスキングスキームです。
既存のパラダイムとは対照的に,本手法では事前学習時にのみ,知識グラフを暗黙的に使用する。
論文 参考訳（メタデータ） (2020-04-29T14:22:42Z)
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。