[論文レビュー] Using Rank Aggregation for Expert Search in Academic Digital Libraries

Catarina Moreira, Bruno Martins+1 more|arXiv (Cornell University)|Jan 21, 2015

Expert finding and Q&A systems参考文献 27被引用数 12

ひとこと要約

本論文では、学術的デジタル図書館におけるテキストコンテンツ、引用ネットワーク、専門家プロファイルから得られる複数の専門性推定器を、非教師ありランク集約（特にCombSUMおよびCombMNZ）を用いて統合することを提案する。コンピュータサイエンス分野のデータセットを用いた実験では、CombMNZがMAP 0.5832を達成し、個々の特徴量セットを上回り、教師あり手法と同等の性能を示し、ラベルなしの関連性データを用いずに専門家検索のための整合的な集約手法の有効性を示している。

ABSTRACT

The task of expert finding has been getting increasing attention in information retrieval literature. However, the current state-of-the-art is still lacking in principled approaches for combining different sources of evidence. This paper explores the usage of unsupervised rank aggregation methods as a principled approach for combining multiple estimators of expertise, derived from the textual contents, from the graph-structure of the citation patterns for the community of experts, and from profile information about the experts. We specifically experimented two unsupervised rank aggregation approaches well known in the information retrieval literature, namely CombSUM and CombMNZ. Experiments made over a dataset of academic publications for the area of Computer Science attest for the adequacy of these methods.

研究の動機と目的

• 専門家検索における多様な証拠源を統合するための整合的で原理的な手法の欠如に取り組む。
• 非教師ありランク集約が、テキスト的、構造的、プロファイルベースの専門性推定器を効果的に統合できるかどうかを評価する。
• CombSUMおよびCombMNZの性能を、特にラベルなしの関連性データが存在する状況下での学術的専門家検索において評価する。
• 検索効果性の観点から、非教師あり集約手法と教師あり学習-ランク手法を比較する。
• テキスト的、ネットワーク的、プロファイル的特徴量のそれぞれが、専門家ランク品質に与える相対的寄与度を特定する。

提案手法

• 情報検索分野で広く知られる非教師ありランク集約手法、CombSUMおよびCombMNZを用いる。
• テキスト類似度（クエリ-ドキュメント）、ネットワーク中心性（引用/共著者グラフ）、プロファイルベースの特徴（例：Hインデックス、論文数）といった複数の専門性推定器を生成する。
• 個々の推定器から得られる専門家の順位リストを統合的にマージし、単一の統一された順位付けを生成する。
• 標準的な情報検索評価指標（P@kおよびMAP）を用い、関連性は論文における専門家-トピック共起に基づいて定義する。
• DBLPメタデータおよび引用リンクを含む、コンピュータサイエンス分野の学術的出版物データセットを用いる。
• 特徴量セットの組み合わせを評価することで、アブレーションスタディを実施し、各特徴量の寄与度を評価する。

実験結果

リサーチクエスチョン

• RQ1 非教師ありランク集約は、学術的専門家検索において、テキスト、ネットワーク構造、プロファイルからの多様な専門性推定器を効果的に統合できるか？
• RQ2 複数の専門性信号を統合する際、CombSUMとCombMNZの性能はどのように比較できるか？
• RQ3 テキスト的、ネットワーク的、プロファイル的特徴量のうち、どれが専門家ランク品質に最も顕著な寄与をしているか？
• RQ4 非教師あり集約は、教師あり学習-ランク手法と同等の性能を達成できるか？
• RQ5 P@kおよびMAPで測定される検索効果性に、異なる特徴量セットの組み合わせが与える影響は何か？

主な発見

• CombMNZはCombSUMを上回り、MAP 0.5832を達成した。これは、いかなる個々の特徴量セットよりも高く、教師あり手法と同等の性能を示した。
• ネットワーク特徴量のみで最も高い性能（MAP = 0.5990）を示し、引用および共著者パターンが専門性の強力な指標であることが示された。
• テキスト類似度特徴量のみでは最も低い性能（MAP = 0.5538）を示し、コンテンツのみでは正確な専門家特定が不十分であることが示唆された。
• プロファイルとネットワーク特徴量の組み合わせはMAP 0.5986を達成し、これら2つの証拠源間に強い相乗効果があることが示された。
• テキスト的、プロファイル的、ネットワーク的特徴量をすべて組み合わせたフルモデルはMAP 0.5832を達成し、多様な証拠源を統合することの利点を示した。
• 非教師ありアプローチは、ラベルなしの関連性データを必要としないにもかかわらず、Yangらの教師あり手法（MAP = 0.6356）と同等の性能を達成した。