MERIT：通过基于评分标准的训练进行专业匹配以实现审稿人分配
计算与语言
2026-05-28 v1
摘要
在大型会议中，将投稿与合适的审稿人进行匹配是一个日益严峻的挑战，然而现有方法要么依赖将一般相关性误认为真正适合性的粗糙代理信号，要么需要难以规模化用于训练的昂贵人工标注。我们提出MERIT，一个两阶段框架，通过将标准级别的专业匹配转化为可扩展的适合性监督来弥合这一差距。在第一阶段，我们通过强化学习训练一个审稿人评估器，以识别论文所需的专业维度，将其与审稿人的先前工作进行匹配，并产生适合性决策，其奖励由受论文特定专业评分标准指导的LLM评判器提供。在第二阶段，我们将评估器的预测提炼到一个基于嵌入的检索器中，以实现高效的大规模分配。实验表明，我们的4B审稿人评估器在适合性分类上优于更大的通用LLM，并且由此产生的检索器在LR-Bench和CMU Gold数据集上达到了最先进的性能。我们的代码可在https://github.com/Luli3220/MERIT获取。
引用
@article{arxiv.2605.27865,
title = {MERIT: Matching Expertise via Rubric-Informed Training for Reviewer Assignment},
author = {Zixuan Yang and Yibo Zhao and Weicong Liu and Xiang Li},
journal= {arXiv preprint arXiv:2605.27865},
year = {2026}
}
备注
22pages, 8 figures, 12 tables