CODE：用于零样本专家链接的对比预训练与对抗微调
信息检索
2022-01-04 v2
摘要
专家查找是许多在线网站（如 Expertise Finder、LinkedIn 和 AMiner）提供的一项流行服务，有助于寻找候选人资质、顾问和合作者。然而，其质量受限于专家信息来源的匮乏。本文以 AMiner 为基础，旨在将任意外部专家链接至 AMiner 上的对应专家。由于从任意外部来源获取充足的链接是不可行的，我们探索了零样本专家链接问题。在本文中，我们提出 CODE，它首先在 AMiner 上通过对比学习预训练一个专家链接模型，使其无需监督信号即可捕捉专家的表示与匹配模式，然后在 AMiner 与外部来源之间以对抗方式微调，以增强模型的迁移能力。为进行评估，我们首先设计了两个内在任务，作者识别和论文聚类，以验证对比学习赋予的表示与匹配能力。随后在两个类型外部来源上的最终外部专家链接性能也表明了对抗微调方法的优越性。此外，我们展示了 CODE 的在线部署，并通过主动学习持续提升其在线性能。
引用
@article{arxiv.2012.11336,
title = {CODE: Contrastive Pre-training with Adversarial Fine-tuning for Zero-shot Expert Linking},
author = {Bo Chen and Jing Zhang and Xiaokang Zhang and Xiaobin Tang and Lingfan Cai and Hong Chen and Cuiping Li and Peng Zhang and Jie Tang},
journal= {arXiv preprint arXiv:2012.11336},
year = {2022}
}
备注
To appear in AAAI 2022