中国石油大学的研究人员推出一种用于追踪学术论文来源的推荐系统模型，名为“文本驱动的神经协同过滤模型”（Text-Driven Neural Collaborative Filtering Model），简称NCF-SciBERT。这个模型的目的是自动化地识别给定学术论文中的关键参考文献，这对于理解学术领域的知识结构和学术交流非常重要。
例如，你是一名研究者，正在撰写一篇关于人工智能的论文。你的论文需要引用历史上对该领域有重大贡献的研究。使用这个NCF-SciBERT模型，你可以上传你的论文草稿，模型会分析你的论文内容，然后推荐几篇关键的参考文献，这些文献可能包含了人工智能的基础理论、关键算法或重要实验结果。这样，你不仅能确保你的论文引用了最相关的研究，还能更深入地理解你的研究领域。
主要功能：
- 自动化识别关键参考文献： 该模型能够自动分析学术论文，并找出对其研究有重要影响的参考文献。
- 数据挖掘技术： 利用先进的数据挖掘技术，特别是神经网络和语言模型，来处理和分析学术论文中的文本属性。
主要特点：
- 结合神经协同过滤（NCF）和语言模型： 模型使用NCF来处理论文的交互作用，并利用SciBERT来理解论文的文本内容。
- 处理文本属性： 通过SciBERT预训练的语言模型来提取论文的文本属性，作为模型的输入特征。
- 推荐系统框架： 将论文来源追踪任务构建在推荐系统的基础上，将查询论文视为“用户”，参考文献视为“项目”。
工作原理：
- 构建引文知识图谱： 将论文、作者等学术元素作为节点，它们之间的引用、作者关系等作为边，构建一个知识图谱。
- 使用SciBERT处理文本： 利用SciBERT独立编码论文和参考文献的文本输入，然后将编码的输出合并。
- 多层感知器（MLP）： 将合并后的输出输入到MLP中，计算预测值，以此来预测论文和参考文献之间的“关键引用”概率。
具体应用场景：
- 学术研究： 帮助研究者快速识别对其研究有重要影响的文献，加速文献回顾过程。
- 知识管理： 在学术机构或数据库中，用于管理和可视化学术文献之间的关系。
- 学术交流： 促进学者之间的学术交流和合作，通过识别关键参考文献来发现学术联系。
0条评论