The number of papers published in journals and conferences per year has significantly increased in both the already known as well as emerging areas. Consequently, researchers face difficulty in searching relevant prior studies for their research. Recommender systems have been introduced to help overcome this problem. These already existing content-based research paper recommender systems utilize keywords, topics, or tags as a representation of the paper, but mostly ignore the relationships among those key terms. This study proposes to apply knowledge structures to develop a knowledge structure matching-based algorithm for personalized academic paper recommendation. Knowledge structure for each paper is created and the knowledge structures of those papers a user prefers are merged to build each user profile. For the recommendation, user profile is compared to each paper's knowledge structure to find the similarity determined from a graph theory perspective, then the list of recommended papers is provided based on the similarity values. We evaluated our system on a large subset of data from CiteULike, a social bookmarking service. The study results indicate that our method provides comparatively better recommendation performance, indicating that knowledge structure can be effectively used as a representation of a paper and that knowledge structure matching could be used as an appropriate inference for recommendations.
매년 저널과 학회에서 출판되는 논문들의 수가 이미 알려져 있는 영역과 새로운 영역에서 크게 증가하고 있다. 그 결과, 연구원들은 그들의 연구와 관련이 있는 이전의 연구들을 탐색하는 것에 어려움을 겪고 있다. 이러한 문제를 해결하고자 논문 추천 시스템들이 도입되어 왔다. 이미 존재하는 이런 내용 기반의 연구 논문 추천 시스템들은 논문의 표현으로서 키워드, 주제 또는 꼬리표를 활용한다. 그러나 대부분 주요 용어들 사이의 관계를 고려하지 않는다. 본 연구는 개인 맞춤형 학술논문 추천을 위해 지식 구조 매칭 기반 알고리즘 개발을 위한 지식 구조 적용을 제안한다. 각 논문의 지식 구조는 창작되고 사용자가 선호하는 논문들의 지식구조들은 각 사용자 프로파일을 만들어 내기 위해 합병된다. 추천을 위해서 사용자 프로파일은 그래프 이론 관점으로부터 결정되는 유사성을 찾아내도록 하기 위한 각 논문의 지식 구조와 비교가 이루어진다. 그 다음 추천된 논문들의 항목이 유사성 값들에 기반하여 제공된다. 본 시스템은 소셜 북마킹 서비스인 CiteULike 로부터 얻은 큰 규모의 부분 집합 데이터를 통해 평가하였다. 연구 결과는 본 논문에서 제안한 방법이 지식 구조가 논문의 표현으로써 효과적으로 사용될 수 있다는 것과 그러한 지식 구조 매칭이 추천을 위한 적절한 추론으로써도 사용될 수 있다는 비교적 더 좋은 추천성과를 나타냈다.
