公共资料很重要：面向实际场景的可扩展集成引用推荐方法
信息检索
2026-04-15 v2 人工智能
计算与语言
社会与信息网络
摘要
正确引用相关文献对于上下文化和验证科学贡献至关重要。虽然当前的引用推荐系统利用本地和全局文本信息，但常常忽略了人类引用行为的细微差异。最近采用此类模式的方法虽然提升了性能，但计算成本高昂且会引入下游排序器的系统性偏差。为此，我们提出了Profiler，一个轻量级、非学习模块，高效且无偏差地捕获人类引用模式，显著提升了候选检索。此外，我们识别出当前评估协议的一个关键局限性：系统是在归纳设置下进行评估的，这未能反映真实世界的情景。我们引入严格的归纳评估设置，强制执行严格的时间约束，模拟对新撰写论文的引用推荐情景。最后，我们提出DAVINCI，一种新型重排序模型，将Profiler派生的置信度先验与语义信息通过自适应向量门控机制集成。我们的系统在多个基准数据集上实现了新的最佳性能，显示出卓越的效率和可泛化性。
引用
@article{arxiv.2603.17361,
title = {Public Profile Matters: A Scalable Integrated Approach to Recommend Citations in the Wild},
author = {Karan Goyal and Dikshant Kukreja and Vikram Goyal and Mukesh Mohania},
journal= {arXiv preprint arXiv:2603.17361},
year = {2026}
}