Developing Multi-Agent System for Scientific Paper Recommendation

Abstract

The rapid increase in the number of papers published on the Internet makes research difficult. Most researchers usually need to check massive publications when doing research, especially for junior researchers, that make it difficult for them to properly judge the relevance of retrieved items for making the right decision and to keep updated with current studies. In this sense, recommendation systems are becoming an alternative to facing the Information academic information overload problem in the web. Recommender systems use a variety of algorithms and techniques to produce suggestions. The major ones of these techniques are contentbased filtering, collaborative-based filtering, and graph-based filtering. Since recommender systems become effective tools, several contributions have been made in many fields. However, we note the lack of contributions that deal with student’s and researcher’s daily challenges. Such as the tiring process of searching for relevant papers using search engines. Current works use agents techniques in recommender systems to provide better performance to meet users needs and preferences. In this thesis, we propose an online multi-agent recommender system for scientific publications using a content-based filtering approach. Our system first takes a research paper as input, extracts queries based on its textual content, and then formulates search query sentences. Second, a group of agents crawls the web and extracts informations from scientific publications. These informations will entered a machine learning model that will predict relevant papers and present them as output. Finally, we will filter the related papers by calculating the cosine similarity between them and the user paper, to get the top N recommended papers, then return them to the user. The evaluation results show that our proposed tool provides good performance...الزيادة السريعة في عدد الأوراق المنشورة على شبكة الإنترنت تجعل البحث صعبًا. يحتاج معظم الباحثين عادةً إلى التحقق من منشورات ضخمة أثناء إجراء الأبحاث، خاصةً بالنسبة للباحثين المبتدئين، والتي تجعل من الصعب عليهم الحكم بشكل صحيح على مدى أهمية العناصر المسترجعة لاتخاذ القرار الصحيح ومواكبة الدراسات الحالية. وبهذا المعنى ، أصبحت أنظمة التوصيات بديلاً لمواجهة مشكلة التحميل الزائد للمعلومات الأكاديمية في الويب. تستخدم أنظمة التوصية مجموعة متنوعة من الخوارزميات والتقنيات لتقديم الاقتراحات. أهم هذه التقنيات هي التصفية القائمة على المحتوى، و التصفية التعاونية، و التصفية القائمة على الرسم البياني. منذ أن أصبحت أنظمة التوصية أدوات فعالة، تم تقديم العديد من المساهمات في العديد من المجالات. ومع ذلك ، نلاحظ نقص المساهمات التي تتعامل مع التحديات اليومية للطلاب والباحثين. مثل العملية المتعبة للبحث عن الأوراق ذات الصلة باستخدام محركات البحث. تستخدم الأعمال الحالية تقنيات الوكلاء في أنظمة التوصية لتوفير أداء أفضل لتلبية احتياجات المستخدمين وتفضيلاتهم. في هذه المذكرة ، نقترح نظام توصية بالمنشورات العلمية متعدد الوكلاء عبر الإنترنت باستخدام نهج التصفية القائم على المحتوى. يأخذ نظامنا أولاً ورقة بحث كمدخلات، يستخرج الاستعلامات بنا ً ء على محتواها النصي، ثم يصوغ جمل استعلامات البحث. ثانيًا ، تقوم مجموعة من الوكلاء بالزحف إلى الويب واستخراج المعلومات من المنشورات العلمية. ستدخل هذه المعلومات في نموذج التعلم الآلي الذي سيتنبأ بالأوراق العلمية ذات الصلة ويقدمها كمخرجات. أخي ً را ، سيقوم نظامنا بتصفية الأوراق ذات الصلة عن طريق حساب تشابه جيب التمام بينها و بين ورقة المستخدم ، للحصول على أفضل الأوراق الموصى بها ، ثم إعادتها إلى المستخدم. تظهر نتائج التقييم أن أداتنا المقترحة توفر أدا ً ء جي ً دا