May, 2023

Anchor Prediction: 互联网链接的自动优化

PDF
TL;DR通过预测专业网页链接的目标页面中与来源上下文最相关的部分，可以更加有效地帮助读者在链接网页中发现信息。我们引入了作者锚点数据集和读者锚点评估集来分析这个问题，并使用 T5-based 排名方法作为性能基准。
anchor predictioninternet linksauthoranchors datasetreaderanchorst5-based ranking approach
发现论文，激发创造
  • 锚点预测：一种基于主题建模的方法

    本文提出了一种上下文相关的关系主题模型 (CRTM)，可用于自动识别源文档中的锚点，无需依赖先前提到的字典或任何外部知识图谱，并可以自动建议链接，展示了该方法在英语、意大利语和德语的维基百科语料库上的实用性。

    May, 2022

  • 利用锚文本信息预测维基百科链接

    本文针对维基百科上的网页结构，研究了基于锚文本信息的链接预测的困难性和算法，提出了合适的评估抽样方法及基准模型.

    May, 2021

  • 文本数据锚点的深度分析

    本文首次对 Anchors 方法进行了理论分析，针对文本分类算法，使用 TF-IDF 向量化步骤，将词语替换为固定的词汇表外标记，探究了基于规则的解释性方法在不同模型上的行为，并通过对神经网络的实证研究显示了 Anchors 选择模型输入的局部梯度相对应的词语。

    May, 2022

  • 基于 Web 锚点的无监督密集检索训练

    本文研究了一种基于对比学习的无监督检索方法，应用于网络锚点文本，提出了一种去除非信息锚点的筛选技术，并展示了该方法的性能优于目前的先进方法，特别适用于搜索和问答任务。

    May, 2023

  • 信息检索的预训练：超链接是否完全被开发？

    本文提出了一种基于超链接进行预训练的方法，并将其应用于信息检索（IR）任务中，实验结果表明此方法在大规模的 IR 和问答数据集上具有优越性。

    Sep, 2022

  • 维基百科文章的链接预测作为自然语言推理任务

    本文介绍了一种以自然语言推理为基础的链接预测方法，将链接预测任务应用于维基百科文章，并在 Data Science and Advanced Analytics 2023 竞赛中取得了优异成绩。

    Aug, 2023

  • 基于文本的维基百科文章链接预测方法

    本文介绍了我们在 DSAA 2023 挑战中针对维基百科文章的链接预测进行的工作。我们使用从文本中提取的词性标注特征，利用传统的机器学习模型训练分类模型，以预测两个节点之间是否存在链接。然后，我们使用这些标注进行了各种机器学习模型的测试。我们获得了 0.99999 的 F1 分数，并在竞赛中获得第 7 名。我们的源代码可以公开访问该链接。

    Sep, 2023

  • 锚定词互动主题建模

    本文介绍了一种协议，它允许用户与锚定词进行交互以构建定制和可解释的主题模型，并提供了实验证据来证明我们方法的实用性。

    Jun, 2019

  • 从人类导航痕迹中挖掘缺失的超链接：以维基百科为例的案例研究

    通过使用基于 Wikipedia 导航路径的人类计算游戏数据集，我们提出了一种新方法以识别缺失的超链接，并通过排名候选人来增强维基百科的导航性能。

    Mar, 2015

  • 通过链接预测的定向标准引用推荐与排名

    我们探讨了链接预测作为自动获取与新文档的主题或背景相关的现有文献的代理方法。我们的模型使用基于变压器的图嵌入来编码每个文档的含义，这些文档作为引文网络中的节点呈现。我们展示了我们的模型生成的语义表示在推荐和排名任务中可以胜过其他基于内容的方法。这为在那些需要这些文档正确互相引用以最小化可能出现的不一致性的领域中探索引文图提供了一种整体的方法。

    Mar, 2024