summarized by : uchi_k
Neural-DINF: A Neural Network based Framework for Measuring Document Influence

概要

論文の引用数(=学術的影響力)を論文そのものから予測している。このような予測を用いずとも単に引用数を利用すればいいのでは、という話もあるが、ブログ記事やその他明示的な引用を行わずにアイディアが採用されるケースも多く、引用数が確定していなくても事前に予測も可能という点で引用数を用いない手法にも価値がある。この論文では、従来の動的トピックモデルによる単語出現頻度の時間変化だけでなく、単語の意味的変化も扱うことで既存手法より高いスコアを達成している。
placeholder

新規性

document influence modeling で、単語の意味的変化を扱っている点。これだけなら、過去の論文にも近いことをしているものはある。特に新しいのは、この単語の意味的変化を測定するために、各時点での単語埋め込みを教師なしで同じ空間にアラインメントするということをしている点。これにより、意味が変化しないアンカー語のような事前知識が不要になっている。

結果

ACL Anthology を使ったモデル出力(影響力スコア)と引用数のピアソン相関及びスピアマン順位相関で評価。既存手法であるDIMとの比較で、ピアソン相関が0.118→0.186、スピアマン順位相関が0.102→0.249という結果。