[論文レビュー] Shifu2: A Network Representation Learning Based Model for Advisor-advisee Relationship Mining

Jiaying Liu, Feng Xia+5 more|arXiv (Cornell University)|Aug 17, 2020

Advanced Graph Neural Networks参考文献 38被引用数 10

ひとこと要約

Shifu2 は、ノードおよびエッジ特徴を低次元ベクトルに統合的に符号化することで、科学的共同研究ネットワークからアドバイザー・アドバイジー関係を抽出するネットワーク表現学習モデルである。このモデルは、安定性および正確性において最先端の手法を上回り、学習された表現を用いて MAG コーパスから大規模な学術系図系データセットを生成した。

ABSTRACT

The advisor-advisee relationship represents direct knowledge heritage, and such relationship may not be readily available from academic libraries and search engines. This work aims to discover advisor-advisee relationships hidden behind scientific collaboration networks. For this purpose, we propose a novel model based on Network Representation Learning (NRL), namely Shifu2, which takes the collaboration network as input and the identified advisor-advisee relationship as output. In contrast to existing NRL models, Shifu2 considers not only the network structure but also the semantic information of nodes and edges. Shifu2 encodes nodes and edges into low-dimensional vectors respectively, both of which are then utilized to identify advisor-advisee relationships. Experimental results illustrate improved stability and effectiveness of the proposed model over state-of-the-art methods. In addition, we generate a large-scale academic genealogy dataset by taking advantage of Shifu2.

研究の動機と目的

• 記録されていないアドバイザー・アドバイジー関係を、記録されていない科学的共同研究ネットワークから自動で発見すること。
• メンターシップリンクを特定する際の時間依存的かつ動的な共同研究パターンの課題に対処すること。
• 構造的および意味的情報（ノードおよびエッジ属性）を統合的表現学習フレームワークに統合すること。
• 研究用途に適した大規模かつ高品質な学術系図系データセットを生成すること。
• 既存の手法を上回る安定性および有効性を備えたアドバイザー・アドバイジー関係抽出を向上させること。

提案手法

• Shifu2 は二重オートエンコーダー構造を採用している：出版歴やキャリア期間などの学術的属性に基づいてノード表現を学習するノードオートエンコーダー。
• 共同研究パターン、例えば時間的共同頻度や期間を特徴とするエッジオートエンコーダーを用いてエッジ表現を学習する。
• ノードおよびエッジ表現を統合的に最適化し、バイナリ分類ヘッドを用いてアドバイザー・アドバイジー関係を予測する。
• 時間に敏感な特徴を組み込むために、共同研究データを異なる時間ウィンドウ（例：研究者のキャリア初年度の最初の7年間）で分析する。
• 深層オートエンコーダーを用いてノードおよびエッジ特徴を低次元ベクトルに埋め込み、局所的およびグローバルなネットワーク構造を保持する。
• ハイパーパrameterは検証スプリット上で調整され、MAG データセット上でエンドツーエンドで訓練される。

実験結果

リサーチクエスチョン

• RQ1 ネットワーク表現学習は、学術的ネットワークにおける間接的な共同研究シグナルからアドバイザー・アドバイジー関係を効果的に同定できるか？
• RQ2 時間的共同研究パターン（例：頻度および期間）は、メンターシップ関係同定の正確性にどのように影響するか？
• RQ3 意味的ノードおよびエッジ属性を統合することで、アドバイザー・アドバイジー関係抽出の性能はどの程度向上するか？
• RQ4 多様な学術分野において、Shifu2 は最先端の手法と比較して安定性および F1 スコアの点で優れているか？
• RQ5 Shifu2 は、現実の学術的データから大規模な学術系図系データセットを生成するためにスケーラブルか？

主な発見

• Shifu2 は、実際の科学的共同研究ネットワークにおいて、精度、適合率、再現率、F1 スコアのすべての指標で、最先端の手法を上回る性能を達成した。
• エッジオートエンコーダーは、研究者のキャリア初年度の最初の7年間の共同研究データで訓練した場合に最も優れた性能を示し、特徴抽出の最適な時間ウィンドウであることが示された。
• 分野ごとの性能に差がみられ、コンピュータサイエンス分野では化学分野よりもアドバイザー・アドバイジー共同研究パターンが集中していることが示され、分野固有のダイナミクスが反映された。
• 物理学、コンピュータサイエンス、経済学を含む多様な研究分野において、モデルは強い安定性および一般化性能を示した。
• Shifu2 は、MAG コーパスから大規模な学術系図系データセットを成功裏に生成し、関連する学術的属性を備えたアドバイザー・アドバイジー対を含んだ。
• 得られたデータセットは、指導教員推薦、学術的パフォーマンス評価、レビュアー選定などの後続応用を可能にした。