توصیه ارجاع یکی از عناصر حیاتی در اعتبارسنجی دستاوردهای علمی است، اما سیستمهای فعلی اغلب در捕捉 الگوهای ظریف استناد محققان ناکام هستند. رویکرد جدیدی به نام «پروفایلر» این چالش را با ثبت کارآمد الگوهای استناد انسانی و بدون سوگیری برطرف میکند و بازیابی кандидат را در سیستمهای توصیه ارجاع بهطور چشمگیری بهبود میدهد.
این پژوهش یک محدودیت بحرانی در روشهای ارزیابی فعلی شناسایی کرده است: سیستمها معمولاً در محیط انتقالی ارزیابی میشوند که منعکسکننده سناریوهای دنیای واقعی نیست. تیم تحقیقاتی یک محیط ارزیابی استقرایی دقیق با محدودیتهای زمانی سخت معرفی کرده که شبیهسازی میکند توصیههای ارجاع چگونه برای مقالات جدیدالتألیف ارائه میشوند.
سیستم مورد نظر، اطلاعات قبلی اعتماد مشتقشده از پروفایلر را از طریق یک مکانیزم دروازهگذاری برداری تطبیقی با اطلاعات معنایی ترکیب میکند. این رویکرد یکپارچه که «DAVINCI» نامیده شده، نتایج پیشتاز را در مجموعه دادههای معیار مختلف به دست آورده و در عین حال کارایی و قابلیت تعمیمپذیری برتری نشان میدهد.
برخلاف رویکردهای پیشین که نیازمند یادگیری گسترده هستند و سوگیریهای سیستماتیک معرفی میکنند، پروفایلر سبکوزن و غیرقابل یادگیری است و آن را برای استقرار در دنیای واقعی عملی میسازد. این پژوهش راهکاری مقیاسپذیر ارائه میدهد که بهتر با شیوه کشف و ادغام ادبیات مرتبط در کار پژوهشی هماهنگ است.
گفتگو