論文の概要: Aspect-Aware Content-Based Recommendations for Mathematical Research Papers
- arxiv url: http://arxiv.org/abs/2605.03861v1
- Date: Tue, 05 May 2026 15:23:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-06 19:35:44.002054
- Title: Aspect-Aware Content-Based Recommendations for Mathematical Research Papers
- Title（参考訳）: 数理研究論文のコンテンツに基づく勧告
- Authors: Ankit Satpute, André Greiner-Petter, Noah Gießing, Olaf Teschke, Moritz Schubotz, Akiko Aizawa, Bela Gipp,
- Abstract要約: AchGNN (英語: AchGNN) は、数学におけるコンテンツベースのCbRPRのための異種GNNである。
GoldRiMとSilverRiMは、数学におけるCbRPRのための最初のデータセットである。
- 参考スコア（独自算出の注目度）: 21.223282438737066
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Content-based research paper recommendation (CbRPR) has seen advances in computer science and biomedicine, but remains unexplored for mathematics, where paper relatedness is more conceptual than explicit textual or citation-based similarity. Mathematics papers may be connected through shared proof techniques, logical implications, or natural generalizations, yet exhibit minimal textual or citation overlap, rendering existing CbRPR ineffective. To address this gap, we first conduct an expert-driven study characterizing mathematical recommendations, revealing that relevance is inherently \textit{aspect}-driven. Grounded in this insight, we introduce GoldRiM (small, expert-annotated) and SilverRiM (large, automatically derived), the first datasets for \textit{aspect}-aware CbRPR in mathematics. Recognizing that LLM embeddings of mathematical content alone yield suboptimal representation, we propose AchGNN, an \textit{aspect}-conditioned heterogeneous GNN that jointly models textual semantics, citation structure, and author lineage. Across GoldRiM and SilverRiM, AchGNN consistently outperforms prior \textit{aspect}-based CbRPR methods, achieving substantial gains across all evaluated \textit{aspects}. We conduct ablation studies to analyze the contributions of individual \textit{aspect} supervision, authorship lineage, and graph-structural signals to AchGNN's performance. To assess domain generality, we further evaluate AchGNN on the \textit{Papers with Code} dataset of machine learning publications, demonstrating that our \textit{aspect}-aware approach effectively transfers beyond mathematics. We deploy our system on the MaRDI platform to help mathematicians with recommendations and release datasets and code publicly for reproducibility.
- Abstract（参考訳）: コンテンツベースの研究論文レコメンデーション(CbRPR)は、コンピュータ科学やバイオメディシンの進歩を見てきたが、論文の関連性は明示的なテキストや引用に基づく類似性よりも概念的であるため、数学には未解明のままである。
数学論文は、共有証明技術、論理的含意、あるいは自然な一般化を通じて接続されるが、テキストや引用の重複は最小限であり、既存のCbRPRは有効ではない。
このギャップに対処するために、我々はまず、数学的レコメンデーションを特徴づける専門家主導の研究を行い、関連性は本質的には「textit{aspect}」駆動であることを示した。
そこで本研究では,GoldRiM(小,専門家による注釈付き)とSilverRiM(大規模,自動導出型)を紹介した。
数学的内容のみのLLM埋め込みが準最適表現をもたらすことを認識し、テキスト意味論、引用構造、著者系統を共同でモデル化したAchGNN, \textit{aspect}-条件付き異種GNNを提案する。
GoldRiM と SilverRiM 全体では、AchGNN は以前の \textit{aspect} ベースの CbRPR メソッドを一貫して上回り、評価されたすべての \textit{aspects} で実質的なゲインを達成している。
我々は、AchGNNのパフォーマンスに対する個々の \textit{aspect} 監督、著者系統、およびグラフ構造信号の寄与を分析するためにアブレーション研究を行う。
ドメインの一般性を評価するため,AchGNNを機械学習パブリッシングのデータセット上で評価し,我々の<textit{aspect}-awareアプローチが数学を超えて効果的に移動することを示した。
当社のシステムはMaRDIプラットフォーム上にデプロイされ,レコメンデーションとデータセットのリリース,再現性のためのコード公開を支援する。
関連論文リスト
- From Topology to Retrieval: Decoding Embedding Spaces with Unified Signatures [38.75080027435365]
本稿では,テキスト埋め込みモデルとデータセットの幅広い集合にわたる位相的および幾何学的測度を包括的に分析する。
埋め込み空間を特徴付けるための総合的なフレームワークである統一トポロジカルシグナチャ (UTS) を導入する。
論文 参考訳（メタデータ） (2025-11-27T06:37:45Z) - GeoGNN: Quantifying and Mitigating Semantic Drift in Text-Attributed Graphs [59.61242815508687]
テキスト分散グラフ(TAG)上のグラフニューラルネットワーク(GNN)は、事前訓練された言語モデル(PLM)を使用してノードテキストを符号化し、これらの埋め込みを線形近傍アグリゲーションを通じて伝播する。
本研究は,意味的ドリフトの度合いを計測する局所PCAベースの計量を導入し,異なる凝集機構が多様体構造にどのように影響するかを解析するための最初の定量的枠組みを提供する。
論文 参考訳（メタデータ） (2025-11-12T06:48:43Z) - GraphMind: Interactive Novelty Assessment System for Accelerating Scientific Discovery [20.945875851329244]
$textbfGraphMind$は、科学論文や草案の新規性を評価するユーザを支援するために設計された、使いやすい対話型Webツールである。
$textbfGraphMind$を使えば、ユーザーは科学論文の主要構造を捉え、様々な視点から関連するアイデアを探求し、斬新さを評価することができる。
論文 参考訳（メタデータ） (2025-10-17T14:49:07Z) - TrustRAG: An Information Assistant with Retrieval Augmented Generation [73.84864898280719]
TrustRAGは、インデックス付け、検索、生成という3つの視点から、acRAGを強化する新しいフレームワークである。
我々はTrustRAGフレームワークをオープンソース化し、抜粋ベースの質問応答タスク用に設計されたデモスタジオを提供する。
論文 参考訳（メタデータ） (2025-02-19T13:45:27Z) - Augmenting Textual Generation via Topology Aware Retrieval [30.933176170660683]
トポロジを意識した検索型検索生成フレームワークを開発した。
このフレームワークは、トポロジ的関係に基づいてテキストを選択する検索モジュールを含む。
我々は,確立したテキスト配信ネットワークをキュレートし,本フレームワークの有効性を検証するための総合的な実験を行った。
論文 参考訳（メタデータ） (2024-05-27T19:02:18Z) - SciMMIR: Benchmarking Scientific Multi-modal Information Retrieval [64.03631654052445]
科学領域内の画像テキストペアリングにおけるMMIR性能を評価するための最新のベンチマークは、顕著なギャップを示している。
オープンアクセス用紙コレクションを利用した特殊な科学的MMIRベンチマークを開発する。
このベンチマークは、科学的文書に詳細なキャプションのある数字や表から抽出された、530Kの精巧にキュレートされた画像テキストペアからなる。
論文 参考訳（メタデータ） (2024-01-24T14:23:12Z) - Self-Supervised Pretraining of Graph Neural Network for the Retrieval of
Related Mathematical Expressions in Scientific Articles [8.942112181408156]
本稿では,機械学習に基づく数学的表現の検索手法を提案する。
埋め込み学習と自己教師型学習を組み合わせた教師なし表現学習タスクを設計する。
arXiv.orgで発行された90,000以上の出版物から、9900万以上の数学的表現を持つ巨大なデータセットを収集します。
論文 参考訳（メタデータ） (2022-08-22T12:11:30Z) - Knowledge Graph Augmented Network Towards Multiview Representation
Learning for Aspect-based Sentiment Analysis [96.53859361560505]
本稿では,知識グラフ拡張ネットワーク(KGAN)を提案する。
KGANは感情の特徴表現を、文脈、構文、知識に基づく複数の視点から捉えている。
3つの人気のあるABSAベンチマークの実験は、我々のKGANの有効性と堅牢性を示している。
論文 参考訳（メタデータ） (2022-01-13T08:25:53Z) - Enhancing Scientific Papers Summarization with Citation Graph [78.65955304229863]
引用グラフを用いて科学論文の要約作業を再定義します。
我々は,141kの研究論文を異なる領域に格納した,新しい科学論文要約データセットセマンティックスタディネットワーク(ssn)を構築した。
我々のモデルは、事前訓練されたモデルと比較して競争性能を達成することができる。
論文 参考訳（メタデータ） (2021-04-07T11:13:35Z)
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。