A temporal expert finding methodology based on united author-document-topic graphs

Abstract

Teknolojik gelişmelerdeki yüksek hızın zaman içinde insanların uzmanlık alanlarındadeğişimlerle sonuçlanmasından dolayı, uzman bulma zorlu bir araştırma konusudur.Ancak, literatürdeki uzman bulma sistemleriyle ilgili çalışmaların büyük çoğunluğuzamana bağlı değişiklikleri hesaba katmamaktadır. Örneğin, bu alanda çokça kullanılanolasılıksal modeller, sorgular ve dokümanlar arasındaki kelime veya terimilişkilerini temel almaktadır. Öte yandan, bu tez çalışmasında temel yöntem olarakreferans alınan ayrık doküman-yazar-konu çizgeleri, konu modellemesi teknikleriniesas almaktadır. Bu yaklaşım, konu sorgularını ve dokümanları aynı konu modellemesisürecinde göz önünde bulundurmamakta, sadece dokümanları konu modellemesisürecinde dikkate almaktadır. Bunun sonucunda, konu sorguları ve dokümanlararasındaki ili¸skiler zayıf kalmaktadır. Bu tezde, alan kısıtlı Latent Dirichlet Allocation(LDA) kullanan bir konu modellemesi ve zamana dayalı birle¸sik yazar-doküman-konuçizgeleri temelli yeni bir uzman bulma sistemi önerilmektedir. Önerilen sistemArnetMiner ve UVT veri setleri üzerinden test edilmiş ve temel aldığı ayrık yazar-doküman-konu yaklaşımından daha iyi sonuç vermiştir.

Expert finding is a challenging research topic due to fast paced technological developmentresulting in changes in people's expertise areas in time. However, the majorityof the studies in the literature about expert finding systems do not take into accountsuch temporal changes. For example, probabilistic models, which are widely used inthis domain, are based on word or term associations between queries and documents.On the other hand, separated author-document graphs, which are used as baselineapproach in this thesis, are based on topic modeling techniques. This approach doesnot take into consideration both queries and documents in the same topic modelingprocess, but it considers only documents in topic modeling process. As a result, itimpairs relations between topic queries and documents. In this thesis, a novel expertfinding system which uses domain limited Latent Dirichlet Allocation (LDA) basedtopic modeling and dynamic, united author-document-topic graphs is proposed. Theproposed method is tested with ArnetMiner and UVT datasets and outperforms thebaseline separated author-document-topic approach.