<  Back to the Polytechnique Montréal portal

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

Etienne Six

Masters thesis (2018)

[img] Restricted to: Repository staff only until 10 May 2020.
Cite this document: Six, E. (2018). Prédiction des scores de pertinence dans le cadre de l'appariement article-chercheur pour l'organisation de conférences scientifiques (Masters thesis, École Polytechnique de Montréal). Retrieved from https://publications.polymtl.ca/3785/
Show abstract Hide abstract

Abstract

La prédiction des scores de pertinences article-chercheur est un des sujets centraux de l’organisation de conférences scientifiques par le biais de méthodes d’apprentissage automatique. Cependant, les données disponibles pour effectuer ces prédictions sont très variées et les méthodes pour exploiter chaque type de données restent nombreuses. Ce mémoire décrit nos expériences pour prédire les scores de pertinences article-chercheur par apprentissage supervisé en utilisant des résumés d’articles. Les données utilisées sont un ensemble de votes de pertinences pour des articles de NIPS 2006. Pour chaque vote, le résumé 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.

Open Access document in PolyPublie
Department: Département de génie informatique et génie logiciel
Dissertation/thesis director: Michel Desmarais
Date Deposited: 10 May 2019 14:25
Last Modified: 27 Jun 2019 16:19
PolyPublie URL: https://publications.polymtl.ca/3785/

Statistics

Total downloads

Downloads per month in the last year

Origin of downloads

Repository Staff Only