[論文レビュー] Expert Finding in Heterogeneous Bibliographic Networks with Locally-trained Embeddings

Huan Gui, Qi Zhu+3 more|arXiv (Cornell University)|Mar 9, 2018

Expert finding and Q&A systems参考文献 28被引用数 10

ひとこと要約

本稿では、クエリ拡張のための概念階層ガイド付きローカルに訓練された埋め込み学習と、権威推定のためのマルチタイプエッジランクアルゴリズムを組み合わせた、異種の文献的ネットワークにおけるエキスパート検索のためのフレームワークLE-expertを提案する。この手法は、微細な意味的特徴を保持するとともにネットワーク構造を活用することで、一般クエリおよび特定クエリの両方の精度を向上させ、200万件を超えるエントリを含む大規模データセットにおいて、既存の手法を上回る性能を発揮する。

ABSTRACT

Expert finding is an important task in both industry and academia. It is challenging to rank candidates with appropriate expertise for various queries. In addition, different types of objects interact with one another, which naturally forms heterogeneous information networks. We study the task of expert finding in heterogeneous bibliographical networks based on two aspects: textual content analysis and authority ranking. Regarding the textual content analysis, we propose a new method for query expansion via locally-trained embedding learning with concept hierarchy as guidance, which is particularly tailored for specific queries with narrow semantic meanings. Compared with global embedding learning, locally-trained embedding learning projects the terms into a latent semantic space constrained on relevant topics, therefore it preserves more precise and subtle information for specific queries. Considering the candidate ranking, the heterogeneous information network structure, while being largely ignored in the previous studies of expert finding, provides additional information. Specifically, different types of interactions among objects play different roles. We propose a ranking algorithm to estimate the authority of objects in the network, treating each strongly-typed edge type individually. To demonstrate the effectiveness of the proposed framework, we apply the proposed method to a large-scale bibliographical dataset with over two million entries and one million researcher candidates. The experiment results show that the proposed framework outperforms existing methods for both general and specific queries.

研究の動機と目的

• クエリの具体的さに大きなばらつきがある異種の文献的ネットワークにおけるエキスパート検索の課題に対処すること。
• 概念階層でガイドされたローカルに訓練された埋め込みを用いることで、クエリ拡張における意味的ずれを低減すること。
• 著者、論文、会議の関係を含む異種ネットワーク構造を活用して候補者のランク付けを改善すること。
• 一般クエリおよび特定クエリの両方で高い正確性を維持する、堅牢でスケーラブルなフレームワークを構築すること。
• 現実世界のエキスパート検索タスクにおいて、意味的表現学習とネットワークベースの権威推定を組み合わせることの有効性を示すこと。

提案手法

• 概念階層でガイドされたローカルに訓練された埋め込み学習を提案し、意味的ずれを最小限に抑えるクエリ固有の低次元ベクトル表現を生成する。
• 階層的な概念構造を用いて埋め込み空間を関連するトピックに制限し、狭義の意味的クエリに対して精度を向上させる。
• 各エッジタイプ（例：共同著者、論文-著者、論文-会議）を別々に扱うマルチタイプのランダムウォークアルゴリズムを適用して候補者の権威を推定する。
• 学習可能なパラメータ（λ）を用いてエッジタイプの重み付き組み合わせを導入し、異なるネットワーク関係からの寄与をバランスさせる。
• クエリ-文書の共起に基づいて関連性サブネットワークを構築し、ランク付けプロセスを関連コンテンツに集中させる。
• ハイブリッドフレームワークを採用：ローカル埋め込みによるクエリ拡張の後に、ネットワークベースの権威ランク付けを実行することで、候補者のランク付けを向上させる。

実験結果

リサーチクエスチョン

• RQ1 概念階層でガイドされたローカルに訓練された埋め込みは、意味的範囲が狭い特定クエリに対して、エキスパート検索のクエリ拡張を改善できるか？
• RQ2 共同著者、論文、会議の関係を含む異種ネットワーク構造を組み込むことで、候補者のランク付け精度にどのような影響を与えるか？
• RQ3 最終的な権威スコアに、異なるエッジタイプ（例：PA、PP、PV）が果たす相対的寄与はどの程度か？
• RQ4 本手法フレームワークは、正確性を犠牲にすることなく、一般クエリおよび特定クエリの両方で高いパフォーマンスを維持できるか？
• RQ5 本手法は、グローバル埋め込み手法や従来のリtrieーブベースのアプローチと比較して、エキスパート検索タスクで有効であるか？

主な発見

• 提案されたLE-expertフレームワークは、200万件を超えるエントリと100万件の研究者候補者を含む大規模な文献的ネットワークにおいて、既存の手法を上回る性能を発揮した。
• 「情報抽出」や「オントロジー整合」のような特定クエリに対して、ローカルに訓練された埋め込み手法は、より正確で包括的なクエリ拡張を提供し、精度が向上した。
• ランク付けアルゴリズムは候補者のランク付けを顕著に改善し、情報抽出に特化したデイン・フライタッグ氏が、よりベテランではあるが専門性に欠けるエキスパートよりも高い順位にランクされた。
• 性能は重みパラメータλ_PA（共同著者-論文関係）に最も敏感であり、このエッジタイプを削除すると精度が著しく低下し、その重要性が示された。
• λ_PAを0に設定した場合、ランク付けは共同著者関係に支配され、結果として正確性が低下する一方、無限大に設定するとモデルは基本的なドキュメントリtrieーブシステムに還元される。
• λ_PPとλ_PVを0に設定しても性能が安定に保たれるため、論文-論文および論文-会議エッジは、権威推定において共同著者-論文関係ほど寄与していないことが示された。