因子链论文-审稿人匹配

随着学术会议论文投稿的快速增长，对自动化且准确的论文-审稿人匹配的需求比以往任何时候都更为关键。该领域先前工作考虑了多种因素来评估审稿人专业领域与论文的相关性，例如论文与审稿人既往工作之间的语义相似度、共享主题和引用关联。然而，这些研究大多仅关注单一因素，导致对论文-审稿人相关性的评估不完整。为解决此问题，我们提出一种统一的因素链论文-审稿人匹配模型，联合考虑语义、主题和引用因素。具体而言，在训练期间，我们对跨所有因素共享的上下文语言模型进行指令微调以捕获其共性与特性；在推理期间，我们将三个因素链式连接，以实现针对投稿逐步、由粗到细地搜索合格审稿人。在四个数据集（其中一个由我们新贡献）上的实验，涵盖机器学习、计算机视觉、信息检索和数据挖掘等多个领域，一致展示了我们提出的因子链模型相较于最先进论文-审稿人匹配方法和科学预训练语言模型的有效性。