Dec, 2019

使用分层透明表示法的多标签分类方法，应用于文章审核员推荐

PDF
TL;DR本文提出了一种多标签分类的方法，使用分层透明表示方法，并提出了一种简单的基于多标签的评审人分配策略，以选择适当的评审人，同时还在粗粒度的粒度中探索了论文 - 评审人推荐。
发现论文，激发创造
  • 科学文档的层次多标签分类

    本文介绍一种新的数据集 SciHTC，包含 186,160 篇论文和 1,233 个学科分类，建立了层次化多标签文本分类的强基线，并提出了一种多任务学习方法来进行主题分类，获得 Macro-F1 得分 34.57％，显示这个数据集提供了显著的研究机会。

    Nov, 2022

  • 层次多标签文本分类的最新进展：一项综述

    本文综述了层次化多标签文本分类的最新进展，包括开源数据集、主要方法、评估指标、学习策略和当前面临的挑战，并列举了一些未来的研究方向，以便社区进一步改进该领域。

    Jul, 2023

  • 异构图上层次表示学习的跨语言引文建议

    本研究提出了一种新颖的方案，通过异构图上的分层表示学习来进行跨语言引用推荐，可以优化出在图上定位重要的跨语言邻域的概率，实验结果显示该方法不仅可以超越现有的基线模型，而且可以提高跨语言引用推荐任务的表现。

    Dec, 2018

  • 用于论文评审评估推荐的分层双向自注意力网络

    本文提出了一个基于层次自注意力网络框架（HabNet）的论文审阅评级预测和推荐方法，该方法能够作为学术论文审阅过程的有效决策工具，并通过三级编码器中的分层结构来识别有用的预测器，以及帮助发现评审者所传达的数值评级和文本情感之间的不一致性，进一步引入了两个新的度量标准来评估数据不平衡情况下的模型，经过对公开数据集（PeerRead）和我们自己收集的数据集（OpenReview）的广泛实验，证明了该方法相比于最先进的方法有着更为卓越的表现。

    Nov, 2020

  • 层次多标签分类的双曲交互模型

    本文提出了一种使用超几何空间嵌入词汇和标签层次结构的方法来解决层级多标签分类问题。通过设计新的超球面交互模型，实现对标签感知的文档表示和 HMLC 预测，实验结果表明新模型相对于现有方法进一步提高了性能。

    May, 2019

  • 文献综述的层次目录生成：基准评估

    本研究以文獻綜述的目錄生成為挑戰，構建了涵蓋 13.8k 個目錄和 120k 個參考文獻的英文文獻綜述目錄數據集，並通過端到端和管線方法進行了多方面的評估與分析，提出了基於語義和結構相似度的模型性能評估方式。結果顯示，本研究提出的生成方法與評估指標具有較高的效果和品質，並且為以後的相關研究提供了方向。

    Apr, 2023

  • 层次化 MixUp 多标签分类在不平衡的跨学科研究提议中的应用

    本文提出了一种名为 H-MixUp 的层次混合多标签分类框架，利用基于转换器的语义信息提取器和基于 GCN 的跨学科知识提取器来解决交叉学科提案的模型分类问题。

    Sep, 2022

  • 一种基于聚类的无监督方法，用于学习科学论文中异构图的节点表示

    提出一种聚类层次的无监督学习方法（UCHL），通过学习科学论文异构图中节点（作者、机构、论文等）的表示方法，实现整张异构图上的链接预测，取得优秀成绩。

    Mar, 2022

  • 面向审稿人推荐系统的提交感知评审人画像

    本文提出了一种基于上下文学习的评审人匹配方法，解决了用主题建模进行评审者指派时主题上下文信息丢失和难以解释的问题，并在实验中取得了显著的精度提高。

    Nov, 2022

  • 重要学术会议论文的层次主题分类

    本文发展了一个用于层次化文本分类的决策支持系统，提出了一种加权层次化相似性函数来计算主题的相关性，并使用熵来估计权重。通过与其他方法比较，该加权层次化相似性函数在主题排名准确性方面有了更好的改进。

    Jun, 2024