Un modelo basado en LSTM para recomendaciones de citas contextuales personalizadas

El rápido crecimiento de artículos científicos dificulta la búsqueda de citas relevantes y apropiadas. La recomendación de citas contextuales tiene como objetivo superar este problema al proporcionar una lista de artículos científicos dados un breve pasaje de texto. En este artículo, proponemos un modelo basado en memoria a corto y largo plazo (LSTM) para la recomendación de citas contextuales, que primero aprende las representaciones distribuidas de los contextos de citas y de los artículos científicos por separado, basado en LSTM, y luego mide la relevancia basada en la representación distribuida aprendida de los contextos de citas y los artículos científicos. Finalmente, los artículos científicos con altas puntuaciones de relevancia son seleccionados como la lista de recomendaciones. En particular, tratamos de incorporar información del autor, información del lugar y información del contenido en la representación vectorial distribuida de los artículos científicos. Además, integramos la información del autor del contexto dado en la representación vectorial distribuida del contexto de la cita. Así, el modelo propuesto hace posible la recomendación de citas contextuales personalizadas, que es un nuevo tema que pocos artículos han abordado en el pasado. Al realizar experimentos en la Red de Antologías ACL y conjuntos de datos de DBLP, los resultados demuestran que el modelo basado en LSTM propuesto para la recomendación de citas contextuales puede lograr mejoras considerables sobre enfoques anteriores de recomendación de citas contextuales. El enfoque de recomendación personalizada también es competitivo con el enfoque de recomendación no personalizada.