超越单一评分排序：基于面向主题的重排序以实现纸质推荐的可控多样性
信息检索
2026-04-21 v1 人工智能
摘要
当前论文推荐系统输出单一相似度分数，将不同相关性概念混合，因此用户无法指定论文应何种相似性。我们提出 SciFACE（Scientific Faceted Cross-Encoder），一个重排序框架，模型两个独立面向：背景（研究何种问题）和方法（如何解决）。SciFACE 在 5,891 对由 GPT-4o-mini 根据面向特定标准标记的真实种子-候选论文对上训练两个独立的 cross-encoder，并通过人类判断进行验证。在 CSFCube 上，SciFACE 在背景面向上达到 70.63 NDCG@20（比 SPECTER 高出 5.9 分），在方法面向上达到 49.06 NDCG@20（比 SPECTER 高出 31.1 分），表现与最先进结果相当。与不使用引用预训练的 FaBLE 相比，SciFACE 在方法 NDCG@20 上提高了 4.1 分，仅使用 5,891 标记对即可实现，而非 40K 人工合成数据增强。这表明高质量基于事实的面向标签在学习细粒度科学相似性方面，比大规模人工合成数据增强更数据高效。
引用
@article{arxiv.2604.16329,
title = {Beyond Single-Score Ranking: Facet-Aware Reranking for Controllable Diversity in Paper Recommendation},
author = {Duan Ming Tao},
journal= {arXiv preprint arXiv:2604.16329},
year = {2026}
}