Similar researcher search in academic environments

Gollapalli, Sujatha Das; Mitra, Prasenjit; Giles, C. Lee

doi:10.1145/2232817.2232849

Cited by 38 publications

(30 citation statements)

References 18 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…To facilitate research activities, automatic collaborator recommendation methods have been presented [5]- [7], [9], [10]. Gollapallis et al [9] presented a similar researcher recommendation method based on researcher profiles calculated from academic homepages.…”

Section: Related Workmentioning

confidence: 99%

“…Gollapallis et al [9] presented a similar researcher recommendation method based on researcher profiles calculated from academic homepages. Tang et al [10] constructed a researcher network using a topic model that learns a set of topics from collaboration examples and evaluated its performance within five sub-domains related to computer science.…”

Section: Related Workmentioning

confidence: 99%

See 1 more Smart Citation

Interdisciplinary Collaborator Recommendation Based on Research Content Similarity

Araki

Katsurai

Ohmukai³

et al. 2017

IEICE Trans. Inf. & Syst.

View full text Add to dashboard Cite

SUMMARYMost existing methods on research collaborator recommendation focus on promoting collaboration within a specific discipline and exploit a network structure derived from co-authorship or co-citation information. To find collaboration opportunities outside researchers' own fields of expertise and beyond their social network, we present an interdisciplinary collaborator recommendation method based on research content similarity. In the proposed method, we calculate textual features that reflect a researcher's interests using a research grant database. To find the most relevant researchers who work in other fields, we compare constructing a pairwise similarity matrix in a feature space and exploiting existing social networks with content-based similarity. We present a case study at the Graduate University for Advanced Studies in Japan in which actual collaborations across departments are used as ground truth. The results indicate that our content-based approach can accurately predict interdisciplinary collaboration compared with the conventional collaboration network-based approaches. key words: interdisciplinary research, collaborator recommendation, academic database analysis

show abstract

Section: Related Workmentioning

confidence: 99%

Section: Related Workmentioning

confidence: 99%

Interdisciplinary Collaborator Recommendation Based on Research Content Similarity

Araki

Katsurai

Ohmukai³

et al. 2017

IEICE Trans. Inf. & Syst.

View full text Add to dashboard Cite

show abstract

“…Bên cạnh đó các nghiên cứu liên quan đến bài toán tìm kiếm, so khớp chuyên gia cũng cung cấp các phương pháp nền tảng cho khuyến nghị cộng tác nghiên cứu. Balog và đồng nghiệp, Gollapalli và đồng nghiệp đã trình bày, thực nghiệm, đánh giá các phương pháp phổ biến mà dùng để biểu diễn thông tin và tính toán tương tự giữa các chuyên gia [9,10,15].…”

Section: Các Nghiên Cứu Liên Quanunclassified

New methods for calculating trend-based vertex similarity for collaboration recommendation

Huynh

Hoang²

2014

JCC

View full text Add to dashboard Cite

Tóm tắt. Khuyến nghị cộng tác trong nghiên cứu khoa học là bài toán tự động liệt kê những người, nhóm nghiên cứu cộng tác tiềm năng ứng với đầu vào là một người, nhóm nghiên cứu nào đó. Đây là bài toán được quan tâm bởi những chuyên gia trong lĩnh vực này trong thời gian gần đây. Tiếp cận phổ biến đã và đang được các nghiên cứu này áp dụng là dựa vào phân tích mạng xã hội, cụ thể là phân tích các mối quan hệ trong mạng đồng tác giả, cũng như ảnh hưởng của nó đối với việc tìm ra những người, nhóm nghiên cứu cộng tác tiềm năng. Tuy nhiên, các phương pháp hiện nay đều chưa quan tâm đến thông tin về xu hướng cộng tác, một yếu tố quan trọng trong việc hình thành các mối quan hệ cộng tác mới. Bài báo này đề xuất ba phương pháp mới để tính tương tự đỉnh trong mạng đồng tác giả: (1) Maximum Path based Relation Strength (M P RS); (2) Maximum Path based Relation Strength Plus (M P RS+); và (3) Relation Strength Similarity Plus (RSS+). Hai phương pháp M P RS+ và RSS+ có sử dụng thông tin về xu hướng cộng tác để cải tiến việc tính toán mức độ quan hệ của những người nghiên cứu trong mạng đồng tác giả. Các phương pháp đề xuất ứng dụng vào bài toán khuyến nghị cộng tác ở mức cá nhân người nghiên cứu. Thực nghiệm được tiến hành trên hai tập dữ liệu khoa học: i) cơ sở dữ liệu khoa học mở 'Digital Bibliography & Library Project' (DBLP); ii) tập dữ liệu do chúng tôi rút trích từ trang web của hệ thống Microsoft Academic Search (gọi tắt là MAS). Kết quả thực nghiệm cho thấy các phương pháp đề xuất cho kết quả tốt hơn các phương pháp tương tự đỉnh truyền thống và phổ biến hiện nay.Từ khóa. Hệ khuyến nghị (recommender system), cộng tác nghiên cứu (research collaboration), khuyến nghị cộng tác (collaboration recommendation), phân tích mạng đồng tác giả (co-author network analysis), xu hướng cộng tác (collaborative trend).Abstract. Collaboration recommendation is a problem that automatically selects and provides a list of potential researchers or research groups with respect to the input which is a researcher or a research group. Recently, this problem has attracted a lot of attention of many researchers in this area. A popular approach for collaboration recommendation problem is based on social network analysis, specifically co-author network analysis. However, the current methods do not consider collaborative trend in analyzing co-author network and the collaborative trend is one of the key factors for forming new co-authorships. In this paper, we propose three new methods: (1) Maximum Path based Relation Strength (MPRS); (2) Maximum Path based Relation Strength Plus (MPRS+); and (3) Relation Strength Similarity Plus (RSS+), for modeling and calculating vertex similarity in the co-author network. In our trend-based methods (MPRS+, RSS+), information of collaborative trend is used to improve the calculation of relation strength for researchers in the co-author network. The proposed methods are applied for researcher collaboration recommendation. Experiments are conducted on two dataset: i) Digital Bibliography & Library Project (DBLP...

show abstract

“…Gollapalli et al [6] explore different content similarity measures namely Okapi BM25, KL Divergence, LDA-based probabilistic modeling, and Trace-based Similarity, to compute similarity between two given authors. Tang et al [13] propose the Author-Conference-Topic (ACT) where each author is associated with a multinomial distribution of topics.…”

Section: Related Workmentioning

confidence: 99%

Taxonomy-based query-dependent schemes for profile similarity measurement

Tuarob

Mitra

Giles

2012

Proceedings of the 1st Joint International Workshop on Entity-Oriented and Semantic Search

Self Cite

View full text Add to dashboard Cite

Semantic search techniques have increasingly gained attention in information retrieval literature. Authors are great sources of semantic interpretation for documents, especially in scholarly domains where articles mostly reflect the research interests of the authors. Being able to interpret semantic meanings of documents from their authors would give rise to many interesting applications, especially in academic digital library literature. In this paper, we present taxonomy-based query-dependent schemes for computing author profile similarity. Our schemes have the capability to capture partial similarities, as opposed to traditional topic overlap based approaches. We generalize our schemes so that they can be easily adopted to other application domains. We acquire resources from multiple places such as Wikipedia, Citeseer X , ArnetMiner, and WikipediaMiner as part of our work. We provide encouraging anecdotal results along with suggestions on potential applications of the proposed schemes.

show abstract

Similar researcher search in academic environments

Cited by 38 publications

References 18 publications

Interdisciplinary Collaborator Recommendation Based on Research Content Similarity

Interdisciplinary Collaborator Recommendation Based on Research Content Similarity

New methods for calculating trend-based vertex similarity for collaboration recommendation

Taxonomy-based query-dependent schemes for profile similarity measurement

Contact Info

Product

Resources

About