面向论文来源追溯的文本驱动神经协同过滤模型
信息检索
2024-08-21 v2 机器学习
摘要
在复杂的引用知识图谱的关联网络中识别重要参考文献具有挑战性，这包括通过引用、作者、关键词及其他关系属性的连接。论文来源追溯 (PST) 任务旨在利用先进的数据挖掘技术自动识别给定学术文章的关键参考文献。在 KDD CUP OAG-Challenge PST 轨道中，我们设计了一个针对 PST 任务的基于推荐的框架。该框架采用神经协同过滤 (NCF) 模型生成最终预测。为处理论文的文本属性并提取模型输入特征，我们利用 SciBERT 作为预训练语言模型。根据实验结果，我们的方法在 Mean Average Precision (MAP) 指标上取得了0.37814的得分，超越基线模型，在所有参赛队中排名第11。源代码已公开于 https://github.com/MyLove-XAB/KDDCupFinal。
引用
@article{arxiv.2407.17722,
title = {Text-Driven Neural Collaborative Filtering Model for Paper Source Tracing},
author = {Aobo Xu and Bingyu Chang and Qingpeng Liu and Ling Jian},
journal= {arXiv preprint arXiv:2407.17722},
year = {2024}
}
备注
KDD CUP 2024 OAG-Challenges, Paper Source Tracing, Technical Report of Team AoboSama @ KDD CUP 2024. August 25--29, 2024. Barcelona, Spain