معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Library for ranking relevant papers based on a set of seed papers

ویژگی	مقدار
سیستم عامل	-
نام فایل	autoreview-0.2.5
نام	autoreview
نسخه کتابخانه	0.2.5
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Jason Portenoy
ایمیل نویسنده	jporteno@uw.edu
آدرس صفحه اصلی	https://github.com/h1-the-swan/autoreview
آدرس اینترنتی	https://pypi.org/project/autoreview/
مجوز	MIT

######################## Automated Lit Review ######################## Jason Portenoy 2018 This is code and sample data accompanying the paper: `Supervised Learning for Automated Literature Review <http://ceur-ws.org/Vol-2414/paper8.pdf>`_ published in the proceedings of the 4th Joint Workshop on Bibliometric-enhanced Information Retrieval and Natural Language Processing for Digital Libraries (BIRNDL 2019) co-located with the 42nd International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR 2019) Starting with a list of seed papers, get candidate papers by following in- and out-citations (2 degrees). Then, train a classifier to rank the candidate papers. Repeat this a number of times to get an aggregate ranking for many candidate papers. Example script in ``scripts/run_autoreview.py`` Inputs: - List of paper IDs for the seed set. - Data for paper citations. - Paper data to be used as features for the classifiers (e.g., clusters, eigenfactor, titles, etc.) Parameters: - Size of the initial split - Number of times to perform the overall process of collecting candidate papers and training a classifier Output: - List of papers not in the seed set, ordered descending by relevance score. Installation ============ Install via PyPI:: pip install autoreview Example ======= - Apache Spark (https://spark.apache.org/downloads.html) must be installed to run the example. - The environment variable ``SPARK_HOME`` must be set (preferably in a ``.env`` file) with the path to Spark. + Java version 8 is required to be used with Spark. Make sure Java 8 is installed and point to its path with the environment variable ``JAVA_HOME``. + Example ``.env`` file:: SPARK_HOME=/home/spark-2.4.0-bin-hadoop2.7 JAVA_HOME=/usr/lib/jvm/java-8-openjdk-amd64 - Create a virtual environment and install the required libraries:: virtualenv venv source venv/bin/activate pip install -r requirements.txt - Run the full autoreview pipeline using sample data:: python scripts/run_autoreview.py --id-list sample_data/sample_IDs_MAG.txt --citations sample_data/MAG_citations_sample --papers sample_data/MAG_papers_sample --sample-size 15 --random-seed 999 --id-colname Paper_ID --cited-colname Paper_Reference_ID --outdir sample_data/sample_output --debug - This is just meant to show how the system operates. It will not provide meaningful results with such a small sample of paper and citation data. - It will output the top predictions in ``sample_data/sample_output/predictions.tsv``. Development ============ For new releases:: # increment the version number bump2version patch Replace ``patch`` with ``minor`` or ``major`` as needed. Then:: # push new release to github git push --tags # build and upload to PyPI python setup.py sdist bdist_wheel twine check dist/* twine upload dist/*

نیازمندی

مقدار	نام
-	python-dotenv
-	pandas
-	numpy
-	sklearn
-	joblib

نحوه نصب

نصب پکیج whl autoreview-0.2.5:

pip install autoreview-0.2.5.whl

نصب پکیج tar.gz autoreview-0.2.5:

pip install autoreview-0.2.5.tar.gz