[논문 리뷰] Recommendation on Academic Networks using Direction Aware Citation Analysis

Onur Küçüktunç, Érik Saule외 2명|arXiv (Cornell University)|2012. 05. 05.

Complex Network Analysis Techniques참고 문헌 26인용 수 31

한 줄 요약

이 논문은 인용 그래프를 활용하여 관련 학술 논문, 학술 회의, 심사위원을 추천하기 위해 방향 인식 인용 분석 알고리즘—DaRWR, DaKatz, 그리고 PaperRank—을 제안한다. 시스템은 관련성 피드백을 통해 추천을 정밀하게 조정하여 연구자가 스캔해야 할 페이지 수를 최대 97.2%까지 줄이며, 기존 방법에 비해 문헌 검색의 효율성을 크게 향상시킨다.

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.

연구 동기 및 목표

• 대규모 학술 데이터베이스에서 수작업 및 키워드 기반 문헌 검색의 비효율성을 해결하기 위해.
• 다른 용어를 사용하더라도 개념적으로 관련된 논문을 식별할 수 있는 추천 시스템을 개발하기 위해.
• 방향 인식 알고리즘을 통해 최근 논문 또는 전통적 논문을 중심으로 검색을 조정할 수 있도록 하기 위해.
• 관련성 피드백(긍정/부정)을 통합하여 추천을 반복적으로 개선할 수 있도록 하기 위해.
• 연구 워크플로우의 효율성을 향상시키기 위해 추천 프레임워크를 학술 회의 및 심사위원으로 확장하기 위해.

제안 방법

• 시스템은 DBLP와 CiteSeer의 문헌 데이터에서 인용 그래프를 구성하며, 저자 및 학술 회의 정보를 포함한다.
• 인용 흐름 방향을 고려한 무작위 보행(DaRWR)과 방향 인식 켈츠 중심성(DaKatz)을 사용하여 논문을 인용 흐름에 따라 순위 매긴다.
• PaperRank 알고리즘은 인용 그래프에서 재시작을 포함한 무작위 보행을 활용하여 인용 기반 추천에 적합하게 수정된다.
• 관련성 피드백은 그래프를 업데이트하여 통합된다: 관련성이 있는 논문은 시드 세트에 추가되고, 관련성이 없는 논문은 제거된다.
• 학술 회의 및 심사위원 추천은 동일한 그래프 구조를 기반으로 하며, 출판된 학술 회의 및 저자의 빈도와 근접도를 활용한다.
• 모든 알고리즘은 실시간 추천이 가능한 공개 웹 서비스(TheAdvisor)에 구현되어 있다.

실험 결과

연구 질문

• RQ1 기존의 그래프 기반 방법에 비해 방향 인식 인용 분석이 학술 논문 추천의 정확도를 향상시킬 수 있는가?
• RQ2 관련성 피드백은 연구자가 수동으로 검토해야 할 문서 수를 얼마나 효과적으로 줄일 수 있는가?
• RQ3 동일한 프레임워크를 학술 회의 및 심사위원 추천에 효과적으로 확장할 수 있는가, 높은 정확도로?
• RQ4 알고리즘을 '최근' 또는 '전통적' 논문 중심으로 조정하는 것이 추천의 관련성에 뚜렷한 향상을 가져오는가?
• RQ5 학술 회의 및 심사위원 추천 과제에서 방향 인식 모델은 기준 모델에 비해 어떻게 비교되는가?

주요 결과

• 긍정 및 부정 피드백을 모두 사용함으로써 연구자가 스캔해야 할 페이지 수가 평균 97.20% 감소하여 문헌 검색 속도가 크게 향상되었다.
• DaRWR는 학술 회의 추천에서 63.2%의 정확도를 달성했으며, 심사위원 추천에서는 76.4%의 정확도를 기록하여 모든 기준 모델을 능가했다.
• DaRWR 모델은 심사위원 추천에서 가장 높은 성능을 보였으며, 모든 저자 중 상위 25개 추천에 정확히 포함된 비율이 48.19%였다.
• 기준 모델 2는 학술 회의 및 심사위원 추천 모두에서 기준 모델 1보다 성능이 열 劣하였으며, 거리 2에서의 인용 근접도는 직접적인 학술 회의 빈도보다 효과가 떨어지는 것으로 나타났다.
• 제안된 방향 인식 알고리즘은 인용 및 학술 회의 추천 과제에서 비방향적 방법보다 유의미하게 높은 성능을 보였으며, 통계적으로 유의미한 향상이 있었다.
• 웹 서비스 구현을 통해 실시간으로 상호작용 가능한 추천이 가능하며, 피드백 기반 정밀 조정이 가능하여 연구자 사용성 향상에 기여했다.