虚拟邻近引用（VCP）：一种基于有监督深度学习、依据引用邻近度关联未引论文的方法
数字图书馆
2020-09-29 v1 信息检索
机器学习
摘要
基于引用的研究方法在利用论文引用推荐研究论文方面取得了良好进展。引用邻近度分析利用文本内引用邻近度来发现两篇研究论文之间的相关性，优于共引分析和文献计量分析。然而，每种方法都存在的一个共同问题是论文应当被充分引用。如果文献未被恰当引用或完全未被引用，那么使用这些方法将无济于事。为克服该问题，本文讨论虚拟引用邻近度（VCP）方法，其将连体神经网络（Siamese Neural Network）与引用邻近度分析和基于内容的过滤相结合。为训练该模型，使用文档中两条引用之间的实际距离作为真值，该距离为两条引用之间的词数。VCP 在维基百科文章上训练，这些文章的实际词数可用，并用于计算文档之间的相似度。这可用于计算两篇文档之间的相关性，即便文档未被引用，也能以它们本应在邻近处被引用的方式实现。与使用平均引用邻近度指数值作为真值的方法相比，该方法在利用基础神经网络预测邻近度方面表现出显著改进。通过使用更复杂的神经网络和适当的超参数调优可进一步提升效果。
引用
@article{arxiv.2009.13294,
title = {Virtual Proximity Citation (VCP): A Supervised Deep Learning Method to Relate Uncited Papers On Grounds of Citation Proximity},
author = {Rohit Rawat},
journal= {arXiv preprint arXiv:2009.13294},
year = {2020}
}