超越论文到论文：面向论文-审稿人匹配的结构化画像与评分细则评分
信息检索
2026-04-08 v1 计算与语言
数字图书馆
摘要
随着会议投稿量的持续增长，准确推荐合适的审稿人已成为一项挑战。大多数现有方法遵循'论文到论文'匹配范式，隐含地通过出版历史来表示审稿人。然而，有效的审稿人匹配需要捕捉多维专业知识，仅凭与过去论文的文本相似性往往不够。为弥补这一差距，我们提出 P2R，一个无需训练的框架，从隐含的论文到论文匹配转向显式的基于画像的匹配。P2R 使用通用大语言模型为投稿和审稿人构建结构化画像，将其分解为主题、方法和应用。基于这些画像，P2R 采用粗到细的流水线来平衡效率与深度。它首先执行混合检索，结合语义信号和方面级信号形成高召回候选池，然后应用基于大语言模型的委员会在严格评分细则下评估候选者，整合多维专家视角和全面的领域主席视角。在 NeurIPS、SIGIR 和 SciRepEval 上的实验表明 P2R 一致优于最先进基线。消融研究进一步验证了每个组件的必要性。总体而言，P2R 突显了显式结构化专业知识建模的价值，并为将大语言模型应用于审稿人匹配提供了实用指导。
引用
@article{arxiv.2604.05866,
title = {Beyond Paper-to-Paper: Structured Profiling and Rubric Scoring for Paper-Reviewer Matching},
author = {Yicheng Pan and Zhiyuan Ning and Ludi Wang and Yi Du},
journal= {arXiv preprint arXiv:2604.05866},
year = {2026}
}
备注
Accepted by IJCNN-2026