从新生到影响：偏差感知的引用预测
社会与信息网络
2026-02-17 v2
摘要
作为获取研究影响力的关键，引用动力学支撑了研究评估、学术推荐以及知识扩散的研究。对于新生期论文而言，引用预测尤为关键，因为在缺乏引用信号且分布高度长尾的情况下，必须进行早期评估。我们识别了两个关键研究空白：(i) 对科学影响隐含因素的建模不足，导致依赖粗糙的代理变量；(ii) 缺乏能在低引用论文上提供稳定预测的偏差感知学习方法。为此，我们提出了偏差感知引用预测框架，结合多智能体特征提取与鲁棒图表示学习。首先，多智能体-图共学习模块从元数据和外部资源中提取细粒度、可解释的信号，如可重复性、合作网络和文本质量，并与异构网络嵌入融合，在缺乏早期引用信号时提供丰富的监督。其次，我们引入一系列鲁棒机制：一个两阶段前向过程将显式因素通过中间曝光估计路由，GroupDRO 优化跨环境的最差群风险，并通过在单调性和平滑约束下的正则化头执行情景分析。对两个真实数据集进行全面实验表明，我们的方法在基线方法上实现了约13%的误差指标（MALE 和 RMSLE）降低，以及显著的5.5%的排序指标（NDCG）提升。
引用
@article{arxiv.2510.19246,
title = {From Newborn to Impact: Bias-Aware Citation Prediction},
author = {Mingfei Lu and Mengjia Wu and Jiawei Xu and Weikai Li and Feng Liu and Ying Ding and Yizhou Sun and Jie Lu and Yi Zhang},
journal= {arXiv preprint arXiv:2510.19246},
year = {2026}
}
备注
This paper has been accepted at The Web Conference (WWW) 2026