文献

J-GLOBAL ID：202002245214605763   整理番号：20A1795549

科学的記事分析のためのニューラル関係トピックモデル【JST・京大機械翻訳】

Neural Relational Topic Models for Scientific Article Analysis

著者 (5件)： Bai Haoli (Chinese University of Hong Kong, Hong Kong, Hong Kong) ,  Chen Zhuangbin (Chinese University of Hong Kong, Hong Kong, Hong Kong) ,  Lyu Michael R. (Chinese University of Hong Kong, Hong Kong, Hong Kong) ,  King Irwin (Chinese University of Hong Kong, Hong Kong, Hong Kong) ,  Xu Zenglin (University of Electronic Science and Technology of China, Chengdu, China)
資料名： ACM Proceedings  (ACM Proceedings)
号： CIKM ’18  ページ： 27-36  発行年： 2018年 
JST資料番号： D0698C  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 科学的論文のトピックモデリングと引用推薦は,科学的論文分析における重要だが挑戦的な研究課題である。特に,コヒーレントな話題に関する推論は,論文における無関係な内容によって容易に影響を受けることができた。一方,引用ネットワークの極端なスパース性は,有効な引用推薦に困難をもたらす。直感的に,類似したトピックスを有する論文は互いに引用する可能性が高く,引用された論文は類似のテーマを共有する傾向がある。この直感から動機づけられて,潜在的トピックと引用ネットワークの間のこの基礎となる相関を効果的に活用することによって,トピックモデリングと引用推薦の両方の性能を高めることを目指した。この目的のために,著者らは,Stacked変分自己エンコーダ(SVAE)と多層知覚(MLP)から成る,ニューラル関係トピックモデル(NRTM)と呼ばれる新しいBayes深層生成モデルを提案した。特に,SVAEは,文書コンテンツのより代表的なトピックスを学習するために推論ネットワークを利用し,引用の協調フィルタリングにおける潜在因子を豊かにするのに役立つ。さらに,MLPネットワークは引用の非線形協調フィルタリングを行い,それは引用ネットワークの知識を活用することによってトピックスの推論をさらに有益にする。2つの実世界データセットに関する大規模な実験は,著者らのモデルが,主題学習と引用推薦の間のコヒーレンスの利点を効果的に取り入れることができて,両方のタスクに関して最先端の方法を著しく上回ることを実証した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： コヒーレンス ,  変分法 ,  学習 ,  *ネットワーク ,  符号器 ,  深層 ,  多層パーセプトロン ,  コンテンツ
準シソーラス用語： 協調フィルタリング ,  スパース性 ,  生成モデル ,  *トピックモデル ,  深層学習 ,  引用ネットワーク , 【Automatic Indexing@JST】

著者キーワード (3件)： 引用勧告 ,  深層学習 ,  トピックモデリング

分類 (2件)： その他の情報処理  (JE15050M) ,  情報源  (AC03000B)

タイトルに関連する用語 (4件)： 科学 ,  記事 ,  分析 ,  トピックモデル