[논문 리뷰] Diversifying Citation Recommendations

Onur Küçüktunç, Érik Saule외 2명|arXiv (Cornell University)|2012. 09. 26.

Text and Document Classification Technologies인용 수 2

한 줄 요약

이 논문은 인용 기반 문헌 검색을 위한 방향 인식 가능 다각화 프레임워크를 제안하며, 관련성과 다양성을 균형 있게 유지하기 위해 개인화된 PageRank에 γ-RLM와 같은 새로운 기법을 통합한다. 실험 결과 γ-RLM는 효율성과 효과성 면에서 기존 방법들을 능가하며, 사용자가 균형 잡힌 관련성, 다양성, 방향성에 맞는 논문들을 검색할 수 있도록 한다.

ABSTRACT

Literature search is arguably one of the most important phases of the academic and non-academic research. The increase in the number of published papers each year makes manual search inefficient and furthermore insufficient. Hence, automatized methods such as search engines have been of interest in the last thirty years. Unfortunately, these traditional engines use keyword-based approaches to solve the search problem, but these approaches are prone to ambiguity and synonymy. On the other hand, bibliographic search techniques based only on the citation information are not prone to these problems since they do not consider textual similarity. For many particular research areas and topics, the amount of knowledge to humankind is immense, and obtaining the desired information is as hard as looking for a needle in a haystack. Furthermore, sometimes, what we are looking for is a set of documents where each one is different than the others, but at the same time, as a whole we want them to cover all the important parts of the literature relevant to our search. This paper targets the problem of result diversification in citation-based bibliographic search. It surveys a set of techniques which aim to find a set of papers with satisfactory quality and diversity. We enhance these algorithms with a direction-awareness functionality to allow the users to reach either old, well-cited, well-known research papers or recent, less-known ones. We also propose a set of novel techniques for a better diversification of the results. All the techniques considered are compared by performing a rigorous experimentation. The results show that some of the proposed techniques are very successful in practice while performing a search in a bibliographic database.

연구 동기 및 목표

• 기존의 키워드 기반 방법이 동의어 및 모호성 문제를 야기하는 바, 인용 기반 문헌 검색에서 결과의 다각화 문제를 해결한다.
• 텍스트적 모호성을 피할 수는 있지만 종종 결과의 다양성이 떨어지는 단순히 인용 네트워크에 의존하는 기존 문헌 검색 기법을 개선한다.
• 사용자가 추천 논문의 시간적 및 영향력 방향을 제어할 수 있도록, 즉 고전적이고 잘 인용된 논문 또는 최근에 출간된 덜 알려진 논문을 선택할 수 있도록 방향 인식 가능한 추천 기능을 제공한다.
• 인용 네트워크에서 관련성, 다양성, 사용자 지향 검색 목표를 균형 있게 유지하는 새로운 다각화 알고리즘을 개발하고 평가한다.
• 다양한 평가 지표(관련성, 다양성, 유용성, 커버리지)를 사용하여 다각화 방법의 효과성을 평가할 수 있는 견고한 평가 프레임워크를 제공한다.

제안 방법

• 인용 네트워크를 기반으로 한 기존 그래프 기반 다각화 방법들(예: DIVRANK, DRAGON, GRASSHOPPER)을 방향 인식 가능한 개인화된 PageRank 프레임워크에 적응시킨다.
• 관련성(상위-k 결과)과 다양성(주제 간 산재성) 간의 균형을 제어할 수 있는 조정 가능한 γ 파라미터를 포함한 새로운 알고리즘인 γ-RLM을 도입한다.
• 반복적으로 추천 집합을 개선하는 쿼리 정밀화 기반 방법들(예: FEED, GSPARSE, GRASSHOPPER)을 구현하여 다양하고 고질적인 후보를 선택한다.
• 이미 선택된 노드들과의 유사도가 낮은 노드를 선택함으로써 다양성을 증진하기 위해 정점 선택 전략(예: IL1, IL2)을 사용한다.
• Kucuktunc 등(2012a)의 기법을 활용해 기초 그래프 표현 및 색인화를 최적화하여 대규모 인용 그래프에서의 계산을 가속화한다.
• 관련성, 다양성(밀도, 확장 비율), 유용성, 평균 출판 연도를 포함한 다중 지표 평가 프레임워크를 적용하여 방법의 성능을 평가한다.

실험 결과

연구 질문

• RQ1 다각화 기법은 어떻게 방향 인식 가능한 개인화된 인용 추천 시스템 내에서 효과적으로 작동하도록 적응시킬 수 있는가?
• RQ2 다양한 평가 지표를 기준으로 볼 때, 어떤 다각화 방법이 관련성과 다양성 사이의 최적의 균형을 달성하는가?
• RQ3 γ-RLM 내에서의 조정 가능한 파라미터(γ)는 상위 순위의 논문을 검색하는 것과 다양한 주제를 포괄하는 것 사이의 트레이드오프를 효과적으로 제어할 수 있는가?
• RQ4 쿼리 정밀화 기반 방법은 그래프 기반 순위 매기기 방법에 비해 효율성과 결과 품질 면에서 어떻게 비교되는가?
• RQ5 기본 평가 지표들이 단독으로 사용될 경우, 사용자 만족도를 충분히 반영하지 못하는 정도는 어느 정도인가?

주요 결과

• γ-RLM 알고리즘은 모든 평가 지표에서 뛰어난 성능을 보이며, 기준 및 최첨단 다각화 방법을 모두 능가한다.
• DRAGON과 γ-RLM는 가장 높은 효율성을 보였으며, GRASSHOPPER, GSPARSE, DIVRANK 변종에 비해 실행 시간이 크게 낮았다.
• GRASSHOPPER와 GSPARSE는 k 값이 증가함에 따라 실행 시간이 선형적으로 증가하여, 큰 k 값에 대해서는 확장성이 떨어졌다.
• FEED와 DRAGON는 높은 밀도와 확장 비율 값을 보이며 낮은 다양성을 보였지만, 관련성은 양호했다.
• IL1과 IL2 방법은 각각 낮은 유용성과 낮은 관련성을 보이며 전반적인 성능이 열악했다.
• γ-RLM 방법은 상위-k 관련성과 완전한 다양성 사이의 스펙트럼을 성공적으로 균형 잡으며, γ 파라미터를 통해 성능 조정이 가능하다.