論文の概要: MIARec: Mutual-influence-aware Heterogeneous Network Embedding for Scientific Paper Recommendation

• arxiv url: http://arxiv.org/abs/2510.12054v1
• Date: Tue, 14 Oct 2025 01:47:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.138282
• Title: MIARec: Mutual-influence-aware Heterogeneous Network Embedding for Scientific Paper Recommendation
• Title（参考訳）: MIARec: 学術論文推薦のための相互影響を意識した異種ネットワーク
• Authors: Wenjin Xie, Tao Jia,
• Abstract要約: Mutual-Influence-Aware Recommendation (MIARec) モデルは、学者間の相互の学術的影響を測定し、特徴集約プロセスにこの影響を組み込む。 実世界のデータセットで実施された大規模な実験により、MIARecモデルは3つの主要な評価指標でベースラインモデルを上回っていることが示された。
• 参考スコア（独自算出の注目度）: 4.322490035067703
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid expansion of scientific literature, scholars increasingly demand precise and high-quality paper recommendations. Among various recommendation methodologies, graph-based approaches have garnered attention by effectively exploiting the structural characteristics inherent in scholarly networks. However, these methods often overlook the asymmetric academic influence that is prevalent in scholarly networks when learning graph representations. To address this limitation, this study proposes the Mutual-Influence-Aware Recommendation (MIARec) model, which employs a gravity-based approach to measure the mutual academic influence between scholars and incorporates this influence into the feature aggregation process during message propagation in graph representation learning. Additionally, the model utilizes a multi-channel aggregation method to capture both individual embeddings of distinct single relational sub-networks and their interdependent embeddings, thereby enabling a more comprehensive understanding of the heterogeneous scholarly network. Extensive experiments conducted on real-world datasets demonstrate that the MIARec model outperforms baseline models across three primary evaluation metrics, indicating its effectiveness in scientific paper recommendation tasks.
• Abstract（参考訳）: 科学文学の急速な拡大に伴い、学者はより正確で高品質な論文推薦を要求するようになった。 様々な推奨手法の中で、グラフに基づくアプローチは、学術ネットワークに固有の構造的特性を効果的に活用することで注目を集めている。 しかし、これらの手法は、グラフ表現を学ぶ際に、学術ネットワークでよく見られる非対称な学術的影響をしばしば見落としている。 この制限に対処するために, グラフ表現学習におけるメッセージ伝達における特徴集約プロセスに, 研究者間の相互の学術的影響を測定する重力に基づくアプローチを用いた相互影響認識勧告(MIARec)モデルを提案する。 さらに、このモデルでは、異なる単一リレーショナルサブネットワークの個々の埋め込みとそれらの相互依存性の埋め込みの両方を捉えるために、マルチチャネルアグリゲーション手法を用いて、異種ネットワークのより包括的な理解を可能にする。 実世界のデータセットで実施された大規模な実験により、MIARecモデルは3つの主要な評価指標でベースラインモデルよりも優れており、科学論文レコメンデーションタスクにおけるその有効性を示している。

関連論文リスト

• Enhancing CTR Prediction with De-correlated Expert Networks [45.50697497028273]
  本稿では,専門的相関を最小化するクロスエキスパートデコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレーショナル・デコレー 我々はD-MoEがMulti-Embedding MoEベースラインと比較して1.19%のGross Merchandise Volume (GMV)リフトを達成することを示す。
  論文  参考訳（メタデータ） (2025-05-23T14:04:38Z)
• A BERT Based Hybrid Recommendation System For Academic Collaboration [0.0]
  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。
  論文  参考訳（メタデータ） (2025-02-21T05:35:08Z)
• Representation-Enhanced Neural Knowledge Integration with Application to Large-Scale Medical Ontology Learning [3.010503480024405]
  本稿では,関係型の同時学習を実現するため,理論的に保証されたRENKIという統計フレームワークを提案する。 提案フレームワークは,表現学習出力をニューラルネットワークの初期エンティティ埋め込みに組み込んで,知識グラフのスコア関数を近似する。 ヘテロジニアス関係の存在下での重み付けの効果と、非パラメトリックモデルに表現学習を組み込むことの利点を実証する。
  論文  参考訳（メタデータ） (2024-10-09T21:38:48Z)
• Preference-Based Multi-Agent Reinforcement Learning: Data Coverage and Algorithmic Techniques [65.55451717632317]
  PbMARL(Preference-based Multi-Agent Reinforcement Learning)について検討する。 一般ゲームにおける嗜好のみのオフラインデータセットからナッシュ平衡を同定する。 以上の結果から,PbMARLの多面的アプローチが示唆された。
  論文  参考訳（メタデータ） (2024-09-01T13:14:41Z)
• Relational Learning in Pre-Trained Models: A Theory from Hypergraph Recovery Perspective [60.64922606733441]
  我々は,関係学習をハイパーグラフリカバリとして形式化する数学的モデルを導入し,基礎モデル(FM)の事前学習について検討する。 我々のフレームワークでは、世界はハイパーグラフとして表現され、データはハイパーエッジからランダムなサンプルとして抽象化される。我々は、このハイパーグラフを復元するための事前学習モデル(PTM)の有効性を理論的に検証し、ミニマックスに近い最適スタイルでデータ効率を解析する。
  論文  参考訳（メタデータ） (2024-06-17T06:20:39Z)
• Understanding Data Augmentation from a Robustness Perspective [10.063624819905508]
  データ拡張は、モデルの堅牢性を増幅するための重要なテクニックとして際立っている。 この写本は、この現象を理解するための理論的および実証的なアプローチを採っている。 我々の経験的評価は、エンブレマ的なデータ拡張戦略の複雑なメカニズムを解明するものである。 これらの洞察は、視覚認識タスクにおけるモデルの安全性と堅牢性を再評価する新しいレンズを提供する。
  論文  参考訳（メタデータ） (2023-09-07T10:54:56Z)
• EmbedDistill: A Geometric Knowledge Distillation for Information Retrieval [83.79667141681418]
  大規模なニューラルモデル(トランスフォーマーなど)は、情報検索(IR)のための最先端のパフォーマンスを達成する 本研究では,大規模教師モデルで学習したクエリとドキュメント間の相対的幾何を利用した新しい蒸留手法を提案する。 提案手法は, 両エンコーダ (DE) とクロスエンコーダ (CE) の2種類の教師モデルから, 95～97%の教師性能を維持できる1/10の非対称な学生への蒸留に成功した。
  論文  参考訳（メタデータ） (2023-01-27T22:04:37Z)
• Aligning Logits Generatively for Principled Black-Box Knowledge Distillation [49.43567344782207]
  Black-Box Knowledge Distillation (B2KD)は、クラウドからエッジへのモデル圧縮において、サーバ上にホストされる見えないデータとモデルによって定式化された問題である。 民営化と蒸留による2段階のワークフローを形式化する。 そこで本研究では,ブラックボックスの煩雑なモデルを軽量に蒸留するKD (MEKD) を新たに提案する。
  論文  参考訳（メタデータ） (2022-05-21T02:38:16Z)
• Which Mutual-Information Representation Learning Objectives are Sufficient for Control? [80.2534918595143]
  相互情報は、データの表現を学習するために魅力的な形式を提供する。 本稿では,最適政策の学習と表現のための状態表現の十分性について定式化する。 意外なことに、これらの2つの目的は、MDPの構造に関する軽度で一般的な仮定を前提に、不十分な表現をもたらす可能性がある。
  論文  参考訳（メタデータ） (2021-06-14T10:12:34Z)
• Improving Scholarly Knowledge Representation: Evaluating BERT-based Models for Scientific Relation Classification [5.8962650619804755]
  領域固有の事前学習コーパスは,Bertに基づく分類モデルにより,科学的関係のタイプを特定することができることを示す。 1回に1つの関係を予測する戦略は高い分類精度を達成するが、後者の戦略は、大小のアノテーションでコーパス内でより一貫した性能を示す。
  論文  参考訳（メタデータ） (2020-04-13T18:46:55Z)

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。