Explainable Research Paper Recommendation Using Scientific Knowledge Graphs

Abstract

Vitskapsfolk kan føle seg fortapte i søk etter relevant vitskapleg litteratur blant dei store mengdene som publiserast på dagleg basis. Målet til arXivDigest, som er ein teneste for anbefaling av vitskapleg litteratur, og andre liknande tenester er at dette ikkje skal skje. Denne masteroppgåva utforskar nye metodar for anbefaling av vitskapleg litteratur, med arXivDigest som laboratorium.

Vi introduserer metodar for anbefaling av vitskapleg litteratur som nyttar seg av den rike semantiske informasjonen som er lagra i vitskaplege kunnskapsgrafar. For å gjere det mogleg for desse metodane å hente ut den informasjon som er tilgjengeleg om vitskapsfolka dei produserer anbefalingar for, introduserer vi også fleire metodar som kan brukast til å kople vitskapsfolk til oppføringar i ein vitskapleg kunnskapsgraf. Alle metodane våre har blitt tatt i bruk og køyrer hos arXivDigest, der brukarar kan gi tilbakemelding på anbefalingane dei mottek, og moglege koplingar mellom brukarar og oppføringar i ein vitskapleg kunnskapsgraf presenterast gjennom ein forslagsfunksjon.

Eit brukarstudie viser at metodane våre ikkje fungerer stort betre enn "baseline"-systemet til arXivDigest når det kjem til å finne den litteraturen som er relevant for brukarar. Éi av metodane våre ser likevel ut til å vere betre enn "baseline"-systemet når det kjem til å forklare anbefalingar. Metodane våre utforskar berre nokre få av tallause moglegheiter, og grafbaserte metodar for anbefaling av vitskapleg litteratur viser potensiale.

Researchers can find themselves lost searching for relevant scientific literature in the large amounts that are published on a daily basis. The arXivDigest service for scientific literature recommendation and similar services are there to keep that from happening. This thesis explores new methods for the recommendation of scientific literature, using arXivDigest as a laboratory.

We introduce methods for explainable research paper recommendation that exploit the rich semantic information that is stored in scientific knowledge graphs. To enable these methods to access the information that is available about the researchers they are producing recommendations for, we also introduce methods that can be used to link researchers to appropriate entries in a scientific knowledge graph. Our methods have all been deployed and are running live on arXivDigest, where users are able to provide feedback on the recommendations they receive, and discovered potential links between users and entries in a scientific knowledge graph surface in a suggestion feature.

A user study shows that our recommendation methods are not much better at finding the literature that is relevant for users than the arXivDigest baseline recommender system itself. One of our methods does, however, appear to be better than the baseline when it comes to explaining recommendations. Ultimately, our methods only scratch the surface of what is possible, and graph-based research paper recommendation does show promise.