دانلود ترجمه مقاله یادگیری بازنمایی چند ماهیتی برای سیستم توصیه گر خبره

1. مقدمه 2. مقالات مرتبط 3. پیشینه 4. روش پیشنهادی 5. آزمایش ها 6. نتایج ارزیابی 7. بحث و بررسی 8. نتیجه گیری

چکیده – یک سیستم توصیه گر خبره، متخصصان مربوط به یک موضوع خاص را براساس سه امتیاز مختلف، اعتبار، تشابه متن و سابقه پیشنهاد می کند. اکثر مطالعات قبلی به طور جداگانه این امتیازات را محاسبه کرده و یک استراتژی ترکیبی خطی را در پیش می گیرند. در حالیکه، در این مطالعه، یک رویکرد مبتنی بر یادگیری انتقالی و چند ماهیتی، تحت عنوان BERTERS را معرفی می کنیم که یک بازنمایی برداری را در اختیار هر داوطلب خبره قرار می دهد که به نوبه خود شامل این امتیازات است. BERTERS، بازنمایی برای هر داوطلب را تعیین می کند که سطح دانش ، محبوبیت و اعتبار و سابقه داوطلب را نشان می دهد. BERTERS، مستقیما از هر دو تکنیک ترنسفورمر و برازش گراف برای تبدیل محتوای منتشر شده توسط داوطلبان و روابط مشترک بین آنها در بردارهای ابعاد پایین استفاده می کند و امتیازات تشابه متن و اعتبار متن داوطلبان را نشان می دهد. همچنین، برای افزایش دقت توصیه گر، BERTERS ویژگی های بیشتری را به عنوان امتیاز سابقه در نظر می گیرد. علاوه بر این، آزمایشات گسترده ای را بر روی دسته بندی چند برچسبی ، توصیه ها و تجسم انجام می دهیم. همچنین، عملکرد آن را در چهار دسته بندی کننده مختلف ، نسبت های مختلف توالی و اندازه های مختلف برازش شده ارزیابی می کنیم. در وظیفه دسته بندی ، BERTERS، عملکرد را در مورد معیارهای Micro-Fl و Macro-Fl با 23.40٪ و 34.45٪ در مقایسه با روش های مبتنی بر تک ماهیتی تقویت می کند. همچنین، BERTERS، بهره 9.12 % را در مقایسه با خطوط مبنا کسب می کند. علاوه بر این، نتایج اثبات می کند که توانایی BERTERS در زمینه گسترش دامنه های مختلف مانند دانشگاهی و CQA برای یافتن متخصصان است. از آنجائیکه برازش های تخصصی پیشنهادی ما حاوی اطلاعات معنایی و نحوی غنی داوطلب است ، BERTERS منجر به بهبود قابل توجه عملکرد نسبت به خطوط مبنا در تمام وظایف می شود.

An expert recommendation system suggests relevant experts of a particular topic based on three different scores authority, text similarity, and reputation. Most of the previous studies individually compute these scores and join them with a linear combination strategy. While, in this paper, we introduce a transfer learning-based and multimodal approach, called BERTERS, that presents each expert candidate by a single vector representation that includes these scores in itself. BERTERS determines a representation for each candidate that presents the candidate’s level of knowledge, popularity and influence, and history. BERTERS directly uses both transformers and the graph embedding techniques to convert the content published by candidates and collaborative relationships between them into low-dimensional vectors which show the candidates’ text similarity and authority scores. Also, to enhance the accuracy of recommendation, BERTERS takes into account additional features as reputation score. We conduct extensive experiments over the multi-label classification, recommendation, and visualization tasks. Also, we assess its performance on four different classifiers, diverse train ratios, and various embedding sizes. In the classification task, BERTERS strengthens the performance on Micro-F1 and Macro-F1 metrics by 23.40% and 34.45% compared with single-modality based methods. Furthermore, BERTERS achieves a gain of 9.12% in comparison with the baselines. Also, the results prove the capability of BERTERS to extend into a variety of domains such as academic and CQA to find experts. Since our proposed expert embeddings contain rich semantic and syntactic information of the candidate, BERTERS resulted in significantly improved performance over the baselines in all tasks.

ترجمه این مقاله در 41 صفحه آماده شده و در ادامه نیز صفحه 16 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.