面向 Microsoft Academic 的可扩展混合研究论文推荐系统
数字图书馆
2019-05-23 v1 信息检索
机器学习
摘要
我们介绍了 Microsoft Academic 所使用的大规模混合论文推荐系统的设计与方法。该系统为约 1.6 亿篇英文研究论文与专利提供推荐。我们的方法在处理不完整引用信息的同时，也缓解了常影响其他推荐系统的冷启动问题。我们利用 Microsoft Academic Graph（MAG）、研究论文的标题与可用摘要为所有文档构建推荐列表，从而结合了共引与基于内容的方法。调优系统参数亦允许对每种方法进行混合与优先级排序，进而使我们能在推荐结果中平衡论文新颖性与权威性。我们通过 40 名参与者的用户研究评估所生成的推荐，对超过 2400 个推荐对进行评分，并使用 P@10 与 nDCG 分数讨论结果质量。我们观察到参与者评分与系统产生的相似度排序之间存在强相关性，但需额外关注提升推荐精度，尤其是基于内容的推荐。用户调查结果与相关分析脚本通过 GitHub 公开，我们系统产生的推荐作为 MAG on Azure 的一部分提供，以促进进一步研究并启亮新颖的研究论文推荐应用。
引用
@article{arxiv.1905.08880,
title = {A Scalable Hybrid Research Paper Recommender System for Microsoft Academic},
author = {Anshul Kanakia and Zhihong Shen and Darrin Eide and Kuansan Wang},
journal= {arXiv preprint arXiv:1905.08880},
year = {2019}
}
备注
7 pages, 7 figures. Short paper at The Web Conference 2019, San Francisco, USA