大型引用网络中以大型语言模型增强的学术文献推荐
应用统计
2025-03-04 v1
摘要
文献推荐对于研究人员寻找相关文章至关重要，但传统方法常因数据限制和方法论挑战而难以应对。本文构建了一个大型引用网络，提出了一种用于科学文章推荐的混合推荐框架。具体而言，引用网络包含来自统计学、计量经济学和计算机科学等70个期刊、涵盖1981至2022年共190,381篇文章。推荐机制将基于网络的引用模式与基于内容的语义相似性相结合。为提升基于内容的推荐效果，我们采用OpenAI的text-embedding-3-small模型为每篇文章的摘要生成嵌入向量。该模型具有两个关键优势：计算效率高，以及在增量更新期间保持嵌入稳定性，这对于处理动态学术数据库至关重要。此外，推荐机制设计为允许用户根据其偏好调整权重，从而提供灵活性和个性化。本文进行了大量实验以验证我们方法的有效性。总之，我们的工作不仅提供了一个构建和分析引用网络的完整数据系统，还引入了一种实用的方法，帮助研究人员导航日益庞大的学术文献，更容易找到信息超载时代中最相关且最有影响力的文章。
引用
@article{arxiv.2503.01189,
title = {Academic Literature Recommendation in Large-scale Citation Networks Enhanced by Large Language Models},
author = {Kun Liu and Yan Zhang and Rui Pan and Tianchen Gao and Hansheng Wang},
journal= {arXiv preprint arXiv:2503.01189},
year = {2025}
}