A hybrid article recommendation system based on deep learning and co-publication network analytics

Abstract

Son yıllarda internetin gelişmesiyle, internetteki bilgi ve kaynak fazlalığından ötürüakademik araştırmacılar kendi çalışmalarına ve ilgi alanlarına yönelik en uygunmakaleyi bulabilmek için daha fazla zaman ve enerji harcamaktadır. Araştırmacılarıninternetteki bilgi yığını içinde kaybolmaması ve araştırma sürecinin kolaylaştırmasıaçısından makale öneri sistemleri daha da değerli hale gelmiştir. Geleneksel önerisistemleri veri seyrekliği, yeni gelen bir makale ile ilgili az verinin olması vb.problemlerden ötürü etkili çalışmamaktadır. Bu problemlerin üstesinden gelebilmekve daha etkili sonuçlar alabilmek için, öneri sistemlerinde son yıllarda yapay sinir ağımodelleri kullanılmaya başlandı. Etkili bir yapay sinir ağı modeli olan derin öğrenmeile makalelerin başlık ve özet bilgileri metin vektörlerine çevrilerek, makalelerarasındaki doğrusal olmayan ilişkiler tespit edilebilmektedir. Ek olarak, makaleyazarlarının birbirleri arasındaki ilişki, yazarların ilerideki çalışmalarındakullanacakları makale tercihlerinde büyük etki yaratmaktadır. Makale yazarlarınınbirlikte ortak yayın çıkardığı yazarlar, bu yazarların yazdıkları diğer makaleler ya dareferans gösterdikleri makaleler arasındaki ilişkinin sosyal ağ analizleri ileincelenmesi öneri sistemlerinin performansını arttırmaktadır. Bu çalışmada iseSiamese BiLSTM derin öğrenme algoritması kullanılarak makaleler arasındaki metinbenzerlikleri ile Node2Vec sosyal ağ analizi kullanılarak makale yazarları arasındakibenzerlik değerlerini analiz eden hibrit bir makale öneri sistemi geliştirilmiştir.Gerçekleştirilen denemelerde, önerileri sayısının 100'e ulaştığı durumda tahmindoğruluğunun ortalama olarak 7% seviyesine ulaştığı görülmüştür.

In recent years, with the rapid development of world wide web, researchers arespending more effort and time to reach the most relevant academic work for theirstudies because of the information overload. Preventing users from being distractedby a tremendous amount of publications and simplification of the research processmakes recommendation systems more valuable. Traditional recommendation systemsgenerally suffer from limited coverage, data sparsity, and cold start problem. In orderto tackle these problems and achieve better performance, many recommendersystems started to use neural network models. Being an effective neural networkmodel, deep learning technology can transform article titles and abstract informationinto text embeddings and capture non-linear relationships between these textembeddings. In addition to deep learning on text embeddings, the relationshipbetween authors has a huge effect on their future preferences. The research of copublicationrelationship with social network analysis improves the performance ofthe recommendation systems. In this study, the aim is to propose a hybrid articlerecommendation system that incorporates deep learning for article text similarityusing Deep Siamese BiLSTM and social network analysis through node embeddingsusing co-publication and citation networks to exploit the network structure to providebenefit for recommender systems. Experiments conducted in this research show thatthe proposed model achieved a prediction rate of 7% on average when the number ofarticles to be recommended is taken as 100.