論文の概要: Enhancing Academic Paper Recommendations Using Fine-Grained Knowledge Entities and Multifaceted Document Embeddings

• arxiv url: http://arxiv.org/abs/2601.19513v1
• Date: Tue, 27 Jan 2026 11:55:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-28 15:26:51.30654
• Title: Enhancing Academic Paper Recommendations Using Fine-Grained Knowledge Entities and Multifaceted Document Embeddings
• Title（参考訳）: ファイングラインド・ナレッジ・エンティティと多面的文書埋め込みを用いた学術論文推薦の促進
• Authors: Haixu Xi, Heng Zhang, Chengzhi Zhang,
• Abstract要約: 本稿では,新しい学術論文レコメンデーション手法を提案する。 それは、新しい種類のきめ細かい知識エンティティを統合することで、多次元情報を埋め込む。 本手法はベースラインモデルより優れ,平均精度は27.3%である。
• 参考スコア（独自算出の注目度）: 6.834689860716384
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the era of explosive growth in academic literature, the burden of literature review on scholars are increasing. Proactively recommending academic papers that align with scholars' literature needs in the research process has become one of the crucial pathways to enhance research efficiency and stimulate innovative thinking. Current academic paper recommendation systems primarily focus on broad and coarse-grained suggestions based on general topic or field similarities. While these systems effectively identify related literature, they fall short in addressing scholars' more specific and fine-grained needs, such as locating papers that utilize particular research methods, or tackle distinct research tasks within the same topic. To meet the diverse and specific literature needs of scholars in the research process, this paper proposes a novel academic paper recommendation method. This approach embeds multidimensional information by integrating new types of fine-grained knowledge entities, title and abstract of document, and citation data. Recommendations are then generated by calculating the similarity between combined paper vectors. The proposed recommendation method was evaluated using the STM-KG dataset, a knowledge graph that incorporates scientific concepts derived from papers across ten distinct domains. The experimental results indicate that our method outperforms baseline models, achieving an average precision of 27.3% among the top 50 recommendations. This represents an improvement of 6.7% over existing approaches.
• Abstract（参考訳）: 学術文献の爆発的成長期には、学者に対する文献審査の負担が増大している。 研究過程における学者の文学的ニーズに沿った学術論文を積極的に推奨することは、研究効率を高め、革新的思考を刺激する重要な道の1つとなっている。 現在の学術論文推薦システムは主に、一般的な話題や分野の類似性に基づいた、広義で粗い提案に焦点を当てている。 これらのシステムは、関係する文献を効果的に識別するが、特定の研究手法を利用した論文の配置や、同じトピックにおける別の研究課題に取り組むなど、学者のより具体的できめ細かなニーズに対処するには不十分である。 本論文は,研究プロセスにおける学者の多様かつ具体的な文献のニーズを満たすために,新たな学術論文推薦手法を提案する。 このアプローチは、新しい種類のきめ細かい知識エンティティ、文書のタイトルと抽象、および引用データを統合することで多次元情報を埋め込む。 そして、組み合わせた紙ベクトル間の類似性を計算して勧告を生成する。 提案手法はSTM-KGデータセットを用いて,10分野にまたがる論文から得られた科学的概念を取り入れた知識グラフを用いて評価した。 その結果,提案手法はベースラインモデルよりも優れており,上位50項目のうち平均精度は27.3%であることがわかった。 これは既存のアプローチよりも6.7%改善したことを意味する。

関連論文リスト

• MIARec: Mutual-influence-aware Heterogeneous Network Embedding for Scientific Paper Recommendation [4.322490035067703]
  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。
  論文  参考訳（メタデータ） (2025-10-14T01:47:25Z)
• Mixture of Knowledge Minigraph Agents for Literature Review Generation [22.80918934436901]
  本稿では,学術文献レビューの自動化を目的とした,共同知識ミニグラフエージェント(CKMA)を提案する。 新たなプロンプトベースのアルゴリズムである知識ミニグラフ構築エージェント(KMCA)は、学術文献から概念間の関係を識別し、知識ミニグラフを自動的に構築するように設計されている。 構築された知識ミニグラフにおける大規模言語モデルの能力を活用することにより、多経路要約エージェント(MPSA)は、異なる視点から概念や関係を効率的に整理し、文献レビュー段落を生成する。
  論文  参考訳（メタデータ） (2024-11-09T12:06:40Z)
• ResearchAgent: Iterative Research Idea Generation over Scientific Literature with Large Language Models [56.08917291606421]
  ResearchAgentは、新しい作品のアイデアと運用のためのAIベースのシステムである。 ResearchAgentは、新しい問題を自動で定義し、手法と設計実験を提案し、繰り返し修正する。 我々は、複数の分野にわたる科学論文に関するResearchAgentを実験的に検証した。
  論文  参考訳（メタデータ） (2024-04-11T13:36:29Z)
• Facilitating Interdisciplinary Knowledge Transfer with Research Paper Recommender Systems [7.994912533454301]
  我々は、科学者に新しく多様な研究論文レコメンデーションを提供することの重要性を論じる。 このアプローチは、サイロ化読解を減らし、フィルターバブルを分解し、学際的な研究を促進することを目的としている。
  論文  参考訳（メタデータ） (2023-09-26T14:56:56Z)
• 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)
• 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)
• 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)
• CitationIE: Leveraging the Citation Graph for Scientific Information Extraction [89.33938657493765]
  引用論文と引用論文の参照リンクの引用グラフを使用する。 最先端技術に対するエンド・ツー・エンドの情報抽出の大幅な改善を観察する。
  論文  参考訳（メタデータ） (2021-06-03T03:00:12Z)
• 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。