从你认识的人到你读的文章：用隐式社交网络增强科学论文推荐

科学出版物日益加快的产出速度需要能够快速识别相关论文的方法。虽然基于用户兴趣训练的神经网络推荐器可以提供帮助，但它们仍会产生冗长、单调的论文建议列表。为改善发现体验，我们引入了多种新方法，通过文本相关性消息来增强推荐，这些消息突出了推荐论文与用户发表及交互历史之间的知识图谱连接。我们探索了由作者实体中介的关联以及仅使用引文的关联。在一项大规模真实世界研究中，我们展示了我们的方法如何显著提升参与度——当由作者中介时还包括未来参与度——且未引入对高被引作者的偏向。为扩展对发表或交互历史较少用户的消息覆盖，我们开发了一种新方法，突出与用户感兴趣的代理作者的连接，并在受控实验室研究中对其进行了评估。最后，我们总结了面向未来基于图谱消息的设计启示。