本文提出一种基于深度学习的模型和完整组织的数据集，用于文章引用建议的上下文感知。该模型具有文档编码器和上下文编码器，并使用图卷积网络层和来自转换器的双向编码器表示 (BERT)。修改了 PeerRead 数据集之后，提出新的数据集全文 PeerRead，其中包含指向引用和文章元数据的上下文句子取样。本文中所述的方法能够获得最新的预测结果，提高了 28% 以上的平均准确率 (MAP) 和 recall@k。

Mar, 2019

现有的机器学习方法用于本地引用推荐直接将一个查询映射或翻译为值得引用的研究论文，这会导致有限的推荐可解释性。为了缓解这个问题，我们引入了基于证据的本地引用推荐任务，目标潜藏空间包括用于推荐特定论文的证据跨度。通过远程监督证据检索和多步骤再排序框架，我们的提议系统 ILCiteR 为查询推荐应引用的论文，并基于从现有研究文献中提取的类似证据跨度进行引用。与过去的方法只输出推荐不同，ILCiteR 检索了验证跨度和推荐论文的排序列表。其次，以前提出的引用推荐的神经模型需要在大规模标记数据上进行昂贵的训练，理想情况下是在候选论文池的每次重大更新之后。相反，ILCiteR 仅依靠动态证据数据库的远程监督和预训练的基于 Transformer 的语言模型，而无需任何模型训练。我们为基于证据的本地引用推荐任务贡献了一个新颖的数据集，并展示了我们提出的条件神经网络排序集成方法在重新排序证据跨度上的有效性。

Mar, 2024

本文提出了一个基于层次自注意力网络框架（HabNet）的论文审阅评级预测和推荐方法，该方法能够作为学术论文审阅过程的有效决策工具，并通过三级编码器中的分层结构来识别有用的预测器，以及帮助发现评审者所传达的数值评级和文本情感之间的不一致性，进一步引入了两个新的度量标准来评估数据不平衡情况下的模型，经过对公开数据集（PeerRead）和我们自己收集的数据集（OpenReview）的广泛实验，证明了该方法相比于最先进的方法有着更为卓越的表现。

Nov, 2020

本文旨在研究引用建议系统，在多个数据集上测试了基于嵌入、主题建模和信息检索技术的引用建议方法，并将它们结合成一个半遗传混合推荐系统进行了离线和在线的评估，结果表明包含嵌入和信息检索组件的混合模型优于其他单个方法和算法。

Feb, 2020

我们探讨了链接预测作为自动获取与新文档的主题或背景相关的现有文献的代理方法。我们的模型使用基于变压器的图嵌入来编码每个文档的含义，这些文档作为引文网络中的节点呈现。我们展示了我们的模型生成的语义表示在推荐和排名任务中可以胜过其他基于内容的方法。这为在那些需要这些文档正确互相引用以最小化可能出现的不一致性的领域中探索引文图提供了一种整体的方法。

Mar, 2024

该研究提出了一种基于内容的方法来推荐论文草稿中的引用，通过将请求文档嵌入到向量空间中，再使用其最近邻作为候选项，并使用区分观察和未观察到的引用的判别模型对候选项进行重新排序，无需元数据，得到了相对于标准数据集的显著提升。

Feb, 2018

本文提出了利用轻量级的推理，将 re-ranker 的命中率反馈给 retriever 的方法，从而提高检索召回率。实验证明，此方法在多个领域、语言和模态下均明显提高了检索召回率。

May, 2023

该研究提出了一种新型的神经网络架构，采用分层循环神经网络和潜在主题聚类模块进行候选答案排名，该模型的层级结构可以有效地捕捉整体含义并在长文本理解方面表现出色，并在两个数据集中取得了最佳的问题答案排序结果。

Oct, 2017

本论文提出了一种基于深度学习的多任务推荐系统，用于从科学论文中提取关键信息，包括关键字、作者以及推荐评分等。系统采用 RNN、Highway 和 CNN 等多种深度学习技术，以端到端的方式学习上下文语义，解决冷启动等问题。

Apr, 2022

本文提出了一种层次注意机制的神经翻译模型，采用双向树形编码器来增强源端层次表示，用加权变异的注意机制平衡词汇和短语向量之间的信息，通过树形稀有词编码将该模型扩展至亚字级别以缓解词汇缺失的问题，实证结果表明，该模型在英汉翻译任务中显著优于序列到序列的注意力机制和基于树的神经翻译模型。

Jul, 2017