[論文レビュー] Recommendation on Academic Networks using Direction Aware Citation Analysis

Onur Küçüktunç, Érik Saule+2 more|arXiv (Cornell University)|May 5, 2012

Complex Network Analysis Techniques参考文献 26被引用数 31

ひとこと要約

本稿では、引用グラフを活用して関連性の高い学術論文、会議、レビュアーを推薦する方向性に配慮した引用分析アルゴリズム—DaRWR、DaKatz、PaperRank—を提案する。システムは関連性フィードバックを用いて推薦を最適化し、研究者がスキャンする必要のあるページ数を最大97.2%まで削減し、ベースライン手法に比べて文献検索の効率を顕著に向上させる。

ABSTRACT

The literature search has always been an important part of an academic research. It greatly helps to improve the quality of the research process and output, and increase the efficiency of the researchers in terms of their novel contribution to science. As the number of published papers increases every year, a manual search becomes more exhaustive even with the help of today's search engines since they are not specialized for this task. In academics, two relevant papers do not always have to share keywords, cite one another, or even be in the same field. Although a well-known paper is usually an easy pray in such a hunt, relevant papers using a different terminology, especially recent ones, are not obvious to the eye. In this work, we propose paper recommendation algorithms by using the citation information among papers. The proposed algorithms are direction aware in the sense that they can be tuned to find either recent or traditional papers. The algorithms require a set of papers as input and recommend a set of related ones. If the user wants to give negative or positive feedback on the suggested paper set, the recommendation is refined. The search process can be easily guided in that sense by relevance feedback. We show that this slight guidance helps the user to reach a desired paper in a more efficient way. We adapt our models and algorithms also for the venue and reviewer recommendation tasks. Accuracy of the models and algorithms is thoroughly evaluated by comparison with multiple baselines and algorithms from the literature in terms of several objectives specific to citation, venue, and reviewer recommendation tasks. All of these algorithms are implemented within a publicly available web-service framework (http://theadvisor.osu.edu/) which currently uses the data from DBLP and CiteSeer to construct the proposed citation graph.

研究の動機と目的

• 大規模な学術データベースにおける手動およびキーワードベースの文献検索の非効率性を解消すること。
• 異なる用語を用いても概念的に関連する論文を特定できる推薦システムを開発すること。
• 方向性に配慮したアルゴリズムを用いて、最近の論文または伝統的な論文の両方の検索を調整可能にすること。
• 関連性フィードバック（肯定的／否定的）を統合し、反復的に推薦を最適化すること。
• 研究ワークフローの効率を向上させるために、推薦フレームワークを会議とレビュアーに拡張すること。

提案手法

• システムはDBLPおよびCiteSeerの書誌データから引用グラフを構築し、著者情報と会議情報を統合する。
• 引用の流れの方向性に配慮したランダムウォーク（DaRWR）と方向性に配慮したカッツ中心性（DaKatz）を用い、論文の順位付けを引用の流れに応じて行う。
• PaperRankアルゴリズムを引用ベースの推薦に適応し、引用グラフ上でリスタート付きランダムウォークを実行する。
• 関連性フィードバックは、グラフの更新によって統合される：関連性のある論文はシードセットに追加され、関係のない論文は削除される。
• 会議とレビュアーの推薦は、同じグラフ構造に基づき、出版会議や著者の頻度と近接度を用いて導出される。
• すべてのアルゴリズムは、リアルタイムの推薦が可能な公開ウェブサービス（TheAdvisor）として実装されている。

実験結果

リサーチクエスチョン

• RQ1 従来のグラフベース手法と比較して、方向性に配慮した引用分析は、学術論文推薦の正確性を向上させるか？
• RQ2 関連性フィードバックは、研究者が手動で確認する必要のある文書数をどれほど削減できるか？
• RQ3 同じフレームワークを会議とレビュアーの推薦に効果的に拡張できるか？
• RQ4 アルゴリズムを「最近の論文」または「伝統的な論文」に特化させることで、推薦の関連性が顕著に向上するか？
• RQ5 方向性に配慮したモデルは、ベースライン手法と比較して、会議およびレビュアー推薦タスクで優れているか？

主な発見

• 肯定的および否定的フィードバックの両方を用いることで、研究者がスキャンする必要のあるページ数が平均で97.20%削減され、文献検索が著しく高速化された。
• DaRWRは会議推薦で63.2%の正確度を達成し、レビュアー推薦で76.4%の正確度を示し、すべてのベースラインを上回った。
• DaRWRモデルはレビュアー推薦において最高のパフォーマンスを示し、全著者のうち48.19%が上位25件の提案に正しく特定された。
• ベースライン2は、会議およびレビュアー推薦の両方でベースライン1より成績が悪く、距離2での引用の近接度は直接的な会議頻度よりも効果が低いことが示された。
• 提案された方向性に配慮したアルゴリズムは、引用および会議推薦タスクの両方で非方向的メソッドを上回り、統計的に有意な改善が得られた。
• ウェブサービスとしてのシステム実装により、フィードバック駆動の最適化が可能なリアルタイムでインタラクティブな推薦が可能となり、研究者による使いやすさが向上した。