キャメル

本論文では、大規模な学術データにおける著者識別の問題を研究し、歴史的データを用いて各匿名論文の潜在的著者を効果的に順位付けする方法について述べています。既存の非匿名化アプローチの多くは、特徴エンジニアリングを通じて論文-著者ペアの関連スコアを予測しますが、これは時間とストレージを消費するだけでなく、無関係で冗長な特徴を導入したり、重要な属性を見逃す可能性があります。表現学習は、学術ネットワーク内のノード埋め込みを学習することによって、論文-著者ペアの相関関係を推測するプロセスを自動化できます。しかし、学習された埋め込みは一般目的のものであることが多く（特定のタスクに依存せず）、またネットワーク構造のみに基づいている場合が多い（ノードの内容を考慮しない）。これらの問題に対処し、著者識別の問題を解決するためのさらなる進展を図るために、我々はCamelというコンテンツ対応型およびメタパス拡張メトリック学習モデルを提案します。具体的には、まず、直接関連する論文-著者ペアを距離メトリック学習に基づいてモデル化し、プッシュロス関数を導入します。次に、ゲート付き再帰ニューラルネットワークによってエンコードされた論文内容の埋め込みを距離損失に統合します。さらに、論文の歴史的書誌データを利用して、学術的異種ネットワークを構築し、タスク依存型およびコンテンツ対応型のSkipgramモデルに基づくメタパス誘導のウォーク統合学習モジュールを設計して、各論文とその間接的著者近隣との相関関係を形成し、モデルをさらに強化します。広範な実験により、Camelは最先端のベースラインを上回る性能を示すことが確認され、最良のベースライン手法に対して平均6.3%の改善を達成しています。