May, 2019

Microsoft Academic 可扩展的混合研究论文推荐系统

PDF
TL;DR介绍了微软学术使用的大规模混合论文推荐系统的设计和方法论，并通过用户研究评估了生成的推荐结果的质量，发现需要进一步改进基于内容的推荐精度。
paper recommender systemmicrosoft academicrecommender precisioncontent-based approachuser study
发现论文，激发创造
  • HybridCite: 上下文感知引文推荐的混合模型

    本文旨在研究引用建议系统，在多个数据集上测试了基于嵌入、主题建模和信息检索技术的引用建议方法，并将它们结合成一个半遗传混合推荐系统进行了离线和在线的评估，结果表明包含嵌入和信息检索组件的混合模型优于其他单个方法和算法。

    Feb, 2020

  • paper2repo: 学术论文的 GitHub 代码库推荐

    本文介绍了一种名为 paper2repo 的创新性基于 GCN 的跨平台推荐系统，利用自动标记和机器学习方法在 GitHub 和 Microsoft Academic 上匹配相似的论文和 repo，并取得了比其他现有推荐方法更好的性能。

    Apr, 2020

  • 利用高速网络的科学论文多任务推荐系统

    本论文提出了一种基于深度学习的多任务推荐系统，用于从科学论文中提取关键信息，包括关键字、作者以及推荐评分等。系统采用 RNN、Highway 和 CNN 等多种深度学习技术，以端到端的方式学习上下文语义，解决冷启动等问题。

    Apr, 2022

  • 使用大规模异构图表示学习为微软提供代码审查建议

    介绍了一种基于 SOCIO 技术图和图卷积神经网络的代码审查人员推荐新方法 CORAL，该方法可以找到传统推荐器遗漏的相关资格审查员，并对大型项目进行优化，而小型项目则建议采用传统方法。

    Feb, 2022

  • 基于知识图谱的推荐系统综述

    本文系统调查了基于知识图谱的推荐系统，从算法和数据集两个角度总结了近期发表的研究，并提出了该领域的几个潜在研究方向。

    Feb, 2020

  • 基于内容的引用推荐

    该研究提出了一种基于内容的方法来推荐论文草稿中的引用，通过将请求文档嵌入到向量空间中，再使用其最近邻作为候选项，并使用区分观察和未观察到的引用的判别模型对候选项进行重新排序，无需元数据，得到了相对于标准数据集的显著提升。

    Feb, 2018

  • 高级学术团队成员推荐模型

    通过结合查询上下文和论文与图拓扑的关系构成新的图模型 CQBG-R，我们提出了一种学术团队工作者推荐的方法，以研究兴趣和特定任务为目标，实验证明了该方法的有效性。

    Feb, 2024

  • 研究论文的基于方面的文档相似度

    本研究介绍了一种基于方面信息的相似度扩展方法，使用 Transformer 模型和 LSTM 基线评估了 172,073 份论文的相似度，结果表明 SciBERT 是最有效的系统，这种基于方面信息的相似度扩展方法可以为文献推荐系统提供更高的粒度和准确度。

    Oct, 2020

  • PaperWeaver：将用户收集的论文与推荐论文的上下文相结合，丰富主题论文提醒

    研究人员订阅 “论文提醒” 系统以获取最近发布的与其之前收集的论文相似的推荐论文，但由于现有系统仅提供论文标题和摘要，研究人员有时难以理解这些推荐论文与其自身研究背景之间微妙的联系。为了帮助研究人员发现这些联系，我们提出了基于用户收集的论文给推荐论文提供背景化文本描述的 PaperWeaver 系统。PaperWeaver 采用基于大型语言模型（LLMs）的计算方法来推断用户的研究兴趣，提取论文的具体上下文方面，并在这些方面上比较推荐与收集的论文。我们的用户研究结果（N=15）表明，使用 PaperWeaver 的参与者能够更好地理解推荐论文的相关性，并在与基线系统（基于推荐论文的相关工作部分）相比时更自信地进行分流。

    Mar, 2024

  • 一种基于超图的图书馆在线资源推荐方法

    分析数字图书馆的使用数据，利用聚类算法（包括基于内容和基于用户访问模式）设计推荐系统，并通过超图算法生成的聚类模型相较基于内容的聚类算法设计的推荐系统更准确。

    Dec, 2023