Oct, 2023

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

PDF
TL;DR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。
academic conferencesreviewer selectionsemantic relevancetopic relevancecitation relevance
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 大型会议上的论文与审稿人匹配

    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。

    Feb, 2022

  • 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

  • 科技评论的基于方面的情感分析

    利用基于方面的情感分析从科学评论中提取有用信息可以更好地判断接受 / 拒绝决策，并且发现审稿人之间的不一致程度可能与主席的意见不一致有关。

    Jun, 2020

  • 利用词嵌入和领域知识为科学摘要加入文献引用语境

    提出了一种使用分布式单词表示和领域知识从参考论文中提取适当上下文的无监督模型，评估结果表明其明显优于现有技术，并且还演示了上下文化方法提高科学文章引用摘要的有效性。

    May, 2017

  • 解释研究论文间的关系

    我们探索了一种基于特征的 LLM-prompting 方法来生成更丰富的引用文本，并一次生成多个引用以捕捉研究论文之间的复杂关系，通过专家评估研究我们发现，我们提出的特征对生成段落质量的影响具有很强的相关性，提示人们更喜欢高层次、抽象的引用和其中的过渡句来提供整体故事。

    Feb, 2024

  • CausalCite：论文引用的因果表述

    本研究提出了一种叫做 CausalCite 的因果推断方法，通过高维文本嵌入将每篇论文编码，利用余弦相似度提取相似的样本并综合计算出反事实样本，用于衡量论文被引用的因果关系，该方法在科学专家对 1,000 篇论文进行的实验、历史论文的奖项和 AI 各个子领域的稳定性等各种标准中表现出了很高的相关性和有效性，并给出了一些建议供未来研究者利用我们的度量方法以更好地理解论文质量。

    Nov, 2023