Jun, 2018

查询集对专家发现系统评价的影响

PDF
TL;DR本文针对 AMiner 数据集，利用两个从该数据集中提取的数据集和三个基线算法，采用新的文档查询方法来评估针对从专家文档中直接抽取的一组查询的专家检索效果。实验结果表明，使用更真实的查询范围将提供不同于通常的主题查询的评估结果。
expertiseexpert findingrecommender systemsevaluation methodologyaminer data
发现论文，激发创造
  • 利用小规模标注数据进行排序学习

    研究目的为了实现大学学术搜索平台，探讨搜索、排名和推荐技术，但由于缺乏大量基本事实数据，传统的排名技术和评估措施难以实现。该项目有助于提高用户的学术搜索体验，包括研究人员、出版物和研究领域信息，并对大学教师和学生的研究经验都有益。

    Jul, 2022

  • 在具有异构性的文献网络中使用本地训练的嵌入进行专家发现

    本文介绍了一种新的查询扩展方法，使用局部训练的嵌入学习与概念层次结构作为指导，提高了专家发现任务的效果。同时，考虑异构网络中不同类型对象之间的相互作用，提出了一种排名算法来估计网络中对象的权威性，单独处理每一种强类型边缘连接，从而在大规模的文献数据集中显著提高了检索质量。

    Mar, 2018

  • 学术专家检索中有效的分布式表示

    本研究使用 Microsoft Academic Graph 数据集，通过实验不同配置的文档中心投票模型，研究不同分布式学术文章表示形式 (即嵌入) 对学术专家检索的影响。结果表明使用用于句子相似性任务的转换器模型训练的上下文嵌入产生最有效的论文表示，然而通过 Citation retrofitting 的论文嵌入和使用详细的作者贡献权重策略并未提高检索性能。

    Oct, 2020

  • 查询预测扩展文档

    该研究提出了一种将搜索引擎文档扩展为与其内容相关或代表性术语的简单方法，并利用基于 Vanilla 序列到序列模型的数据集对其进行扩展，结合高效的重新排序组件，实现了两种检索任务的最高效结果。

    Apr, 2019

  • 评估问答系统：评判自然语言的复杂性

    本文针对问答系统的发展历程、评估指标及其相应的理论框架进行综述，并探讨了相关的评估方法和数据集。

    Sep, 2022

  • 大规模信息检索评估的活跃抽样

    本文提出一种结合两种方法 —— 抽样和主动选择文档 —— 的大规模信息检索评估方法，其通过向系统分配分布并在评估过程中修改来减少样本偏差，并使用 TREC 数据验证其优点。

    Sep, 2017

  • 网络搜索引擎证据收集的自动查询生成

    本文探讨了自动化生成基于文本相似度的查询，介绍了数据集和基于预训练大型语言模型的基于规则和自动化文本生成方法，并提出了一种优秀的混合方法。

    Mar, 2023

  • 基于人工智能推荐系统对人类行为影响的调查：方法、结果与未来发展方向

    通过系统化调查分析了推荐系统在社交媒体、在线零售、城市地图和生成 AI 生态系统等四个人工智能生态系统中的影响，提出了一种简洁的分类方法，讨论了方法学和结果，并展望了未来的研究方向。

    Jun, 2024

  • 组织知识管理系统中自动专家识别和人员推荐的道德和社会考虑

    研究机器学习在组织知识库中的应用，介绍了能够自动帮助人们识别专家和专业领域的推荐系统，并提出了应该关注和解决的一些开放性问题，以确保未来的工作能够为劳动者提供更好的体验。

    Sep, 2022

  • 复杂问答：无监督学习方法和实验

    本研究探讨了一种基于多篇文献的主题导向信息压缩技术，采用实证方法和两种无监督机器学习技术，比较它们的效果，同时通过提取不同的词汇特征和局部搜索技术，学习各种特征的权重值，最终实现了基于查询的自动摘要产生。

    Jan, 2014