Tóm tắt Luận án Tiến sĩ: Phát triển các mô hình học sâu kết hợp cấu trúc đồ thị và phân tích ngữ nghĩa cho bài toán khuyến nghị trích dẫn

Mô hình Khuyến nghị Trích dẫn Nâng cao Hiệu suất

Lĩnh vực: Khoa học Máy tính, Xử lý Ngôn ngữ Tự nhiên, Hệ thống Khuyến nghị

Nội dung tài liệu:

Tài liệu này trình bày các nghiên cứu về việc phát triển và cải tiến các mô hình khuyến nghị trích dẫn. Các phương pháp tiếp cận hiện tại đối mặt với thách thức về khối lượng thông tin lớn và sự cần thiết phải tận dụng hiệu quả các loại dữ liệu khác nhau từ bài báo khoa học. Nghiên cứu tập trung vào việc nâng cao hiệu suất của các mô hình hiện có bằng cách tích hợp các tiến bộ mới nhất trong lĩnh vực học sâu, xử lý ngôn ngữ tự nhiên và biểu diễn đồ thị. Cụ thể, tài liệu đề xuất các mô hình Enhanced-NCN, RHN-DualLCR và BERT-GCN, nhằm giải quyết các hạn chế của các mô hình trước đó như NCN và DualLCR. Các phương pháp cải tiến bao gồm việc sử dụng phép nhúng BERT, tích hợp thông tin tiêu đề bài báo, thay thế BiLSTM bằng RHN và sử dụng phép nhúng SciBERT.

Mục lục chi tiết:

• Chương 1: Tổng quan nghiên cứu
• Chương 2: Mô hình Enhanced-NCN bổ sung thêm thông tin tiêu đề và sử dụng phép nhúng BERT
• Chương 3: Mô hình RHN-DualLCR sử dụng mạng hồi quy RHN và phép nhúng SciBERT