ILCiteR：基于证据的可解释本地引文推荐

现有的用于本地引文推荐的机器学习方法直接将查询（通常是一个主张或实体提及）映射或翻译到值得引用的研究论文。在这种表述下，很难明确指出为何应为特定查询引用某篇特定研究论文，导致推荐的可解释性有限。为了缓解这一问题，我们引入了基于证据的本地引文推荐任务，其中目标潜在空间包含用于推荐特定论文的证据片段。我们提出的系统 ILCiteR 使用远程监督的证据检索和多步重排序框架，基于从现有研究文献中提取的相似证据片段，为查询推荐要引用的论文。与过去仅输出推荐的表述不同，ILCiteR 检索的是证据片段与推荐论文对的排序列表。其次，先前提出的用于引文推荐的神经模型需要在海量标注数据上进行昂贵的训练，理想情况下是在候选论文库每次重大更新之后。相比之下，ILCiteR 仅依赖于来自动态证据数据库的远程监督和预训练的基于 Transformer 的语言模型，无需任何模型训练。我们为基于证据的本地引文推荐任务贡献了一个新颖的数据集，并证明了我们提出的用于重排序证据片段的条件神经排序集成方法的有效性。