LlamaFur：学习潜在类别矩阵以发现维基百科中的意外关联
社会与信息网络
2016-04-04 v2
摘要
除了发现趋势和揭示典型模式，现代信息检索日益关注在文本数据集中发现令人惊讶的信息。本工作中，我们聚焦于在超链接文档语料库中当文档被赋予类别时寻找“意外链接”。为实现此目标，我们通过节点类别对超链接图建模：弧的存在受弧的头与尾的类别促进或阻碍。具体而言，我们确定一个解释常见链接的潜在类别矩阵。该矩阵使用基于边界的在线学习算法（Passive-Aggressive）构建，使我们能够处理具有 条链接的图且耗时少于 分钟。我们表明，我们的方法比大多数现有基于文本的技术提供更好准确性，且具有更高效率并依赖远更少的信息量。它还比标准链接预测提供更高精度，尤其在低召回率水平下；事实上这两种方法被证明彼此正交，因此可富有成效地结合。
引用
@article{arxiv.1603.09540,
title = {LlamaFur: Learning Latent Category Matrix to Find Unexpected Relations in Wikipedia},
author = {Paolo Boldi and Corrado Monti},
journal= {arXiv preprint arXiv:1603.09540},
year = {2016}
}
备注
Short version appeared in Proc. WebSci '16, May 22-25, 2016, Hannover, Germany