| dc.contributor.author | Штовба, С. Д. | uk |
| dc.contributor.author | Петричко, М. В. | uk |
| dc.date.accessioned | 2024-03-11T11:17:50Z | |
| dc.date.available | 2024-03-11T11:17:50Z | |
| dc.date.issued | 2021 | |
| dc.identifier.citation | Штовба С. Д. Модифікована метрика Чекановського для оцінки схожості науковців з врахуванням спорідненості спеціальностей [Електронний ресурс] / С. Д. Штовба, М. В. Петричко, // Матеріали L науково-технічної конференції підрозділів ВНТУ, Вінниця, 10-12 березня 2021 р. – Електрон. текст. дані. – 2021. – Режим доступу: https://conferences.vntu.edu.ua/index.php/all-fksa/all-fksa-2021/paper/view/11926. | uk |
| dc.identifier.uri | http://ir.lib.vntu.edu.ua//handle/123456789/39480 | |
| dc.description.abstract | Запропоновано метрику для оцінки схожості науковців на основі метрики Чекановського у випадку
представлення інтересів науковців у вигляді нечітких множин. Носієм нечіткої множини є спеціальності
науки визначеної згідно з стандартом Australian and New Zealand Standard Research Classification (ANZSRC).
При порівнянні двох нечітких множин пропонується враховувати також попарну схожість наукових
спеціальностей для досягнення вищого рівня схожості. | uk |
| dc.description.abstract | A metric for assessing the similarity between researchers based on Chekanovskiy’s metric with researchers
represented as fuzzy sets is proposed. Support of a fuzzy sets are research specialties defined by Australian and New
Zealand Standard Research Classification (ANZSRC). When comparing two fuzzy sets it is proposed to take into
account also a pairwise similarity between research specialties to get a higher level of similarity | en |
| dc.language.iso | uk_UA | uk_UA |
| dc.publisher | ВНТУ | uk |
| dc.relation.ispartof | Матеріали L науково-технічної конференції підрозділів ВНТУ, Вінниця, 10-12 березня 2021 р. | uk |
| dc.relation.uri | https://conferences.vntu.edu.ua/index.php/all-fksa/all-fksa-2021/paper/view/11926 | |
| dc.subject | профіль науковця | uk |
| dc.subject | науковець | uk |
| dc.subject | метрика Чекановського | uk |
| dc.subject | наукові спеціальності | uk |
| dc.subject | індекс Жакара | uk |
| dc.subject | Google Scholar | en |
| dc.subject | researcher’s profile | en |
| dc.subject | researcher | en |
| dc.subject | Czekanowski metric | en |
| dc.subject | ANZSRC | en |
| dc.subject | research specialties | en |
| dc.subject | Jaccard index | en |
| dc.title | Модифікована метрика Чекановського для оцінки схожості науковців з врахуванням спорідненості спеціальностей | uk |
| dc.type | Thesis | |
| dc.identifier.udc | 001.2 | |
| dc.relation.references | Sun C., King T. J., Henville P., Marchant R. Hierarchical Word Mover Distance for Collaboration Recommender System.
Australasian Conference on Data Mining. Communications in Computer and Information Science, Springer 996, 289-302
(2018). DOI: 10.1007/978-981-13-6661-1_23. | en |
| dc.relation.references | Xiangjie K., Huizhen J., Zhuo Y., Zhuo Y., Zhuo Y., Tolba A. Exploiting Publication Contents and Collaboration
Networks for Collaborator Recommendation. PlosOne 11(2): e0148492 (2016). DOI: 10.1371/journal.pone.0148492 | en |
| dc.relation.references | Zhao Y., Tang J., Du Z. EFCNN: A Restricted Convolutional Neural Network for Expert Finding. In: Yang Q., Zhou ZH.,
Gong Z., Zhang ML., Huang SJ. (eds) Advances in Knowledge Discovery and Data Mining. PAKDD 2019. Lecture Notes
in Computer Science, vol 11440. Springer, Cham (2019). DOI: 10.1007/978-3-030-16145-3_8. | en |
| dc.relation.references | Omer A., Hongyu G., Suma B., Wen-Mei H., JinJun X.. PaRe: A Paper Reviewer Matching Approach Using a Common
Topic Space. In Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th
International Joint Conference on Natural Language Processing (EMNLPIJCNLP), 518–528 (2019). DOI:
10.18653/v1/D19-1049. | en |
| dc.relation.references | Mimno D., McCallum A. Expertise modeling for matching papers with reviewers. In: KDD’07 proceedings of the 13th
ACMSIGKDD international conference on knowledge discovery and data mining, 500–509 (2007). New York: ACM.
DOI: 10.1145/1281192.1281247 | en |
| dc.relation.references | Rosen-Zvi M., Griffiths T., Steyvers M., Smith P. The author-topic model for authors and documents. In Proceedings of
the 20th Conference on Uncertainty in Artificial Intelligence, AUAI Press, 487-494 (2004). | en |
| dc.relation.references | Jian J., Qian G., Haikun M., Chong C. Author–Subject–Topic model for Reviewer Recommendation. JIS-Journal of
Information Science, SAGE, 1-16 (2018). DOI: 10.1177/0165551518806116. | en |
| dc.relation.references | Штовба С.Д., Петричко М.В. Автоматична категоризація науковців за тематикою досліджень на основі профілей в
Google Scholar / С.Д. Штовба, М.В. Петричко / Матеріали XLVIІ Наук.-техн. конф. факультету КСА ВНТУ,
Вінниця, 21-23 березня 2018 р. https://conferences.vntu.edu.ua/public/files/1/fksa_2018_netpub.pdf. – С. 1561-1578. | uk |
| dc.relation.references | Shtovba S., Petrychko M. Jaccard Index-Based Assessing the Similarity of Research Fields in Dimensions // CEUR
Workshop Proceedings, Vol. 2533 “Proc. of the First International Workshop on Digital Content & Smart Multimedia”. –
2019. – P. 117-128. | en |
