高级学术团队成员推荐模型
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
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。
May, 2019
本文提出了一种新的协作检索模型,通过整合社交网络信息来提高文本检索的准确性,在真实的音乐数据集上进行了实证分析,证明在数据稀疏性强的情况下,社交信息对于文本检索尤为重要。
Apr, 2014
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
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
科学合作是知识创造和思想交流中的重要行为。本研究聚焦于识别协作团队和探索其内部模式,使用学术大图数据。提出一种基于 “核心 + 扩展” 团队结构的协作团队识别(CORE)模型,以在大型学术网络中识别协作团队。CORE 将协作强度指标与一系列结构特征相结合,以识别成员之间具有紧密合作关系的协作团队,并指导核心团队成员寻找扩展成员。CORE 还可作为基于团队的研究的基础。模拟结果显示 CORE 揭示了科学合作的内部模式:资深学者拥有广泛的合作关系和固定的合作模式,是团队组装的基本机制。实验结果表明,与现有方法相比,CORE 具有很大的潜力。
Jun, 2024
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
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
通过建立循环神经网络推荐系统来为学生推荐课程,以帮助其准备所需的目标课程,这一体系结构是针对学生先前知识背景和发展区域进行个性化定制的,并且通过等级预测和挖掘大学先修关系等测试进行验证。
Dec, 2018