推荐审稿人发现的遗漏引用：新任务、数据集与基线

随着科学出版物的爆炸式增长，全面且恰当地引用已成为一项具有挑战性的任务。当前的引文推荐系统旨在为给定的文本上下文或草稿论文推荐一系列科学论文。然而，现有工作均未关注完整论文中已有的引用，这些引用并不完美，仍有很大的改进空间。在同行评审场景中，审稿人发现投稿缺少重要引用是一种常见现象。这可能对所呈现研究的可信度和有效性产生负面影响。为了帮助改进完整论文的引用，我们首先定义了一个新任务——推荐审稿人发现的遗漏引用（RMC），并构建了一个相应的专家标注数据集CitationR。我们在CitationR上对几种最先进的方法进行了广泛评估。此外，我们提出了一个新框架RMCNet，其中包含一个注意力参考编码器模块，用于挖掘论文、已有引用和遗漏引用之间的相关性。实验结果证明RMC具有挑战性，所提出的架构在所有指标上均优于先前方法。我们发布数据集和基准模型，以激励未来对这一具有挑战性的新任务的研究。