Feb, 2022

大型会议上的论文与审稿人匹配

PDF
TL;DR本文研究了一种新颖的评审 - 文章匹配方法，该方法已被引入多个计算机科学领域的顶级会议，包括 AAAI，ICML，IJCAI 等，并通过对现实数据的广泛后期分析进行了评估，比较了其与 AAAI 2020 版本使用的匹配算法的不同之处。
peer-reviewed conferencesautomated matchingaaaioptimization problemreviewing process
发现论文，激发创造
  • 优化论文匹配的框架

    本文提出了一个框架来优化论文 - 审稿人分配，使用适宜性评分来测量论文和审稿人之间的成对亲和力，可以从提供的少量评分中推断出适宜性评分，将任务定义为整数规划问题，并提出了几种适用于论文和审稿人匹配问题的方案，探讨了学习和匹配相互作用的因素，对两个会议数据集进行了实验，测试了几种学习方法的性能以及匹配方法的有效性。

    Feb, 2012

  • 面向审稿人推荐系统的提交感知评审人画像

    本文提出了一种基于上下文学习的评审人匹配方法，解决了用主题建模进行评审者指派时主题上下文信息丢失和难以解释的问题，并在实验中取得了显著的精度提高。

    Nov, 2022

  • PaRe: 使用公共主题空间的论文 - 审核人匹配方法

    我们提出了一种基于公共主题模型的自动匹配论文与审稿人的方法，该方法可以缓解传统自动匹配方法中的词汇错配和主题重叠等问题，并通过实验验证比现有的方法更有效。

    Sep, 2019

  • 本地公平性约束下的论文匹配

    本文提出了基于局部公平性的论文匹配新方法，并引入了两个新的算法 FairIR 和 FairFlow，相对于已有算法，实验证明 FairIR 和 FairFlow 的效果更优，能够更公平地分配评审者。

    May, 2019

  • RelevAI-Reviewer：一项关于调查论文相关性的人工智能评审基准测试

    提出了一种自动系统，将调查论文审查任务概念化为一个分类问题，采用机器学习模型测定与指定主题相关的论文的相关性，并且通过使用 BERT 等高级语言模型，取得了优于传统机器学习方法的初步结果。

    Jun, 2024

  • PeerReview4All：同行评审中公平准确的评审人分配

    该研究考虑了会议同行评审中的论文自动分配问题，着重关注公平性和统计准确性。研究设计了一种基于最大流程序的分配算法，旨在最大化最不利论文的审查质量，并提出了一种新的主观评分模型，设计了一种新颖的实验方法来评估算法的质量。

    Jun, 2018

  • 会议同行评审中论文评审分配应依据何种因素？社区对议题和理想的看法

    本调查是关于 NLP 社区对于同行评审匹配系统中应该考虑的因素，旨在为改进未来的 NLP 会议提供可行建议和可解释的同行评审分配的愿景。

    May, 2022

  • 科学同行评审中的评审者分歧发现

    自动识别同行评审者之间的矛盾的研究，介绍了一个新颖的任务，通过对评论对之间的矛盾进行检测，为此我们提出了一个基准模型，并公开了数据集和代码供进一步研究。

    Oct, 2023

  • 通过随机评审分配来缓解同行评审中的操纵问题

    研究了会议同行评审中的三个挑战：评审人恶意加入给出正面评价的论文、评审人故意给不喜欢的论文打低分和评审人匿名解除。提出了一种对三个问题进行通用性整合的方法，并针对给定限制下的评审人分配问题提出了随机算法，成功限制了恶意评审人分配。

    Jun, 2020

  • 为何要审查这篇论文？整合语义、主题和引用因素以确定论文与审稿人匹配

    本文提出了一个统一模型，同时捕捉文档与审稿人之间的语义、主题和引用因素，通过共享背景模型和指导调节来构建文档嵌入。实验证明该方法在学术会议的审稿人选择问题上取得了有效的结果。

    Oct, 2023