Due to millions of academic papers annually published on the web, finding the right scholarly papers has become a serious, problematic task to researchers. A massive amount of publications on the web has increasingly caused information overload. Therefore, awareness of recommender system that could find an appropriate, relevant paper has been greatly heightened. However, most recommendation techniques applied in recommenders
have not focused on analyzing contents of papers in depth. Such insufficient representation of contents results from inadequate understanding of the computers on papers. In this thesis, we proposed a method for enriching insufficient content representation of the papers by adding core contextual information from citations and enhancing feature of the core terms that fall under keywords and titles. As opposed to the previous methods that were dependent on counting the number of citations to quantify the importance of publications, our study uses citations with an improvement in the accuracy of the content-based recommendations while analyzing content itself in depth. Therefore, it greatly reduces the number of unmatched recommendations between recommender and users.
인터넷의 급속한 보급으로 사용자가 정보와 지식의 접근이 용이 해진 반면, 방대한 정보의 과부
화로 인하여 데이터의 신뢰성이 문제시 되고 있다. 특히, 기존의 학술 연구와 관련된 논문 데이터 검색에 있어서, 사용자의 요구 사항에 정확히 부합하는 결과물을 제공하는 데는 많은 한계를 가진다. 본 연구는 기존의 단순 키워드 매칭 검색의 한계를 넘어서, 레퍼런스와 인용 논문을 활용한 내용 기반 검색 방법론을 제안 한다. 레퍼런스와 인용논문의 활용은 기존의 Content-based filtering 기술의 한계였던 불충분한 내용 명시화를 보완해 줌으로써 컴퓨터가 충분히 이해 할 수 있게 도와 줄 수 있다. 즉, 단순히 논문의 인용 횟수를 이용한 기존의 검색 알고리즘과는 달리 본 연구는 인용 논문의 핵심 내용 자체를 이용하여 보다 확장적이고 심층적인 내용 기
반 검색을 가능하게 해준다. 이와 더불어 논문의 키워드, 제목에 해당되는 단어들의 tf - idf 가중치를 올려 줌으로써 내용 명시화의 성능 향상을 돕는다.
본 제안 방안의 효과에 대한 실험 결과 논문의 키워드, 제목에 해당되는 단어들의 가중치 보완은 기존의 방안과 비교 시 성능 향상에 크게 의미가 없다는 결과가 나왔지만, 레퍼런스와 인용논문의 활용은 기존의 방안과 비교 시 통계적으로 월등한 성능 향상을 보여 주었다.
