کاوش تکامل زمانی استخراج گرافهای دانش و ویژگی‌های تبارشناسی

نوع فایل : word

تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 45

تعداد کلمات : 16000

مجله : Journal of Informetrics

انتشار : 2020

ترجمه متون داخل جداول : ترجمه شده است

درج جداول در فایل ترجمه : درج شده است

منابع داخل متن : به صورت فارسی درج شده است

کیفیت ترجمه : طلایی

:

تاریخ انتشار
13 ژانویه 2022
دسته بندی
تعداد بازدیدها
1280 بازدید
44,000 تومان

عنوان فارسی مقاله:کاوش تکامل زمانی استخراج گرافهای دانش و ویژگی‌های تبارشناسی برای پیش‌بینی اکتشاف مبتنی بر منابع

 چکیده

فرآیند کشف مبتنی بر منابع، روابط مهم اما ضمنی بین اطلاعات جاسازی(تعبیه) شده در منابع منتشر شده را شناسایی می کند. تکنیک‌های موجود از بازیابی اطلاعات (IR) و پردازش زبان طبیعی (NLP) تلاش می‌کنند تا ارتباطات پنهان یا منتشر نشده بین مفاهیم اطلاعاتی در منابع منتشر شده را شناسایی کنند، با این حال، این تکنیک‌ها مفهوم پیش‌بینی آینده و روابط نوظهور میان مؤلفه‌های دانش علمی را نادیده گرفتند  مانند نویسنده که کلمات کلیدی را انتخاب می کند که در منابع محصور شده اند. شبکه همرخدادی کلمه کلیدی (KCN)، که بر اساس کلمات کلیدی منتخب محقق ساخته شده است، به عنوان یک گراف دانش در نظر گرفته می‌شود که با بررسی روابط بین موجودیت‌های دانش، هم بر این مؤلفه‌های دانش و هم بر ساختار دانش یک حوزه علمی تمرکز می‌کند. این مطالعه با استفاده از داده‌های دو حوزه تحقیقاتی چند رشته‌ای به غیر از حوزه زیست‌پزشکی، و سرمایه‌گذاری بر کتاب‌سنجی، پویایی KCN‌های زمانی و یک شبکه عصبی مکرر، برخی از ویژگی‌های جدید را توسعه می‌دهد که برای پیش‌بینی منابع مبتنی بر منابع آینده اکتشافات – ارتباطات در حال ظهور (ظهور مشترک در یک مقاله) بین کلمات کلیدی پشتیبانی می‌کنند.. اهمیت زمانی استخراج‌شده از شبکه‌های دوبخشی و تک‌بخشی، جوامع تعریف‌شده توسط روابط تبارشناسی، و اهمیت نسبی تعداد استنادهای زمانی در فرآیند ساخت ویژگی استفاده شد. هر دو ویژگی سطح گره و لبه برای پیش‌بینی مقادیر ویژگی و پیش‌بینی روابط آینده بین مفاهیم/موضوعات علمی مختلف که توسط کلمات کلیدی انتخاب‌شده نویسنده ارائه شده‌اند، وارد یک شبکه عصبی بازگشتی شدند. نرخ عملکرد بالا، در مقایسه با روش مبتنی بر شبکه ناهمگن معاصر و فرآیند پیوست ترجیحی، نشان می‌دهد که این ویژگی‌ها هم مکمل پیش‌بینی اکتشافات آینده مبتنی بر منابع و هم تحلیل روند نوظهور هستند(تکامل زمانی استخراج گرافهای دانش).

ادامه مطلب

راهنمای خرید:
  • لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
  • همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
  • ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Mining Temporal Evolution of Knowledge Graphs and Genealogical Features for Literature-based Discovery Prediction

Abstract

 Literature-based discovery process identifies the important but implicit relations among information embedded in published literature. Existing techniques from Information Retrieval (IR) and Natural Language Processing (NLP) attempt to identify the hidden or unpublished connections between information concepts within published literature, however, these techniques overlooked the concept of predicting the future and emerging relations among scientific knowledge components such as author selected keywords encapsulated within the literature. Keyword Co-occurrence Network (KCN), built upon author selected keywords, is considered as a knowledge graph that focuses both on these knowledge components and knowledge structure of a scientific domain by examining the relationships between knowledge entities. Using data from two multidisciplinary research domains other than the bio-medical domain, and capitalizing on bibliometrics, the dynamicity of temporal KCNs, and a recurrent neural network, this study develops some novel features supportive for the prediction of the future literature-based discoveries - the emerging connections (co-appearances in the same article) among keywords. Temporal importance extracted from both bipartite and unipartite networks, communities defined by genealogical relations, and the relative importance of temporal citation counts were used in the feature construction process. Both node and edge-level features were input into a recurrent neural network to forecast the feature values and predict the future relations between different scientific concepts/topics represented by the author selected keywords. High performance rates, compared both against contemporary heterogeneous networkbasedmethodandpreferentialattachmentprocess,suggestthatthesefeaturescomplement both the prediction of future literature-based discoveries and emerging trend analysis.