Prédiction des scores de pertinence dans le cadre de l'appariement article-chercheur pour l'organisation de conférences scientifiques

de l'article soumis ainsi que des résumés d'articles ayant été écrits par le votant sont utilisés pour prédire ledit vote. L'originalité de cette recherche réside entre autres dans l'utilisation de réseaux de neurones pour effectuer cette prédiction, et ce malgré la faible taille du jeu de données disponible. Les résultats obtenus sont encourageants : notre modèle à base de réseaux de neurones convolutifs a des performances meilleures que les modèles que nous avons pris pour référence ; notre modèle à base de réseaux de neurones récurrents a quant à lui des performances similaires au meilleur modèle de référence.

Abstract

Predicting paper-reviewer suitability scores is paramount to the organization of scientific conferences by using machine learning techniques. However, the available data to predict such scores is very varied and so is the exploitation of each type of data. In this thesis, we describe our attempts at predicting the paper-reviewer suitability scores using supervised learning on articles abstracts. The data used consists of suitability votes for articles from NIPS 2006. For each vote, the abstract of the submitted article as well as some abstracts of articles from the voter are used to predict the said vote. Part of what makes the research original is the fact that we managed to use neural networks to do the prediction, even though the dataset was rather small. The results are encouraging: our convolutional neural network model performs better than the models we took as references. As for the recurrent neural network model, it has similar performances to our best model of reference.