RevGNN：用于学术审稿人推荐的负采样增强图对比学习
信息检索
2024-07-31 v1 人工智能
摘要
为学术稿件寻找审稿人是一个具有挑战性的推荐场景。近年来，图学习驱动的模型在推荐领域取得了显著进展，但它们在学术审稿人推荐任务中的性能可能受到严重的假阴性问题的影响。这源于未观察到的交互被假定为负样本。事实上，匿名评审机制导致审稿人与稿件之间的交互暴露不足，与审稿人拒绝参与相比，未观察到的交互数量更多。因此，研究如何更好地理解学术审稿人推荐中未观察交互的模糊性是一个重要挑战。本研究旨在解决学术审稿人推荐中未观察交互的模糊性。具体来说，我们提出了一种无监督的伪负标签策略来增强图对比学习（GCL），用于推荐审稿人，我们称之为RevGNN。RevGNN利用两阶段编码器结构，同时编码科学知识和行为，并使用伪负标签来学习审稿人偏好。在三个真实世界数据集上的大量实验表明，RevGNN在所有基线上均优于四个评估指标。此外，详细的进一步分析证实了RevGNN中每个组件的有效性。
关键词
引用
@article{arxiv.2407.20684,
title = {RevGNN: Negative Sampling Enhanced Contrastive Graph Learning for Academic Reviewer Recommendation},
author = {Weibin Liao and Yifan Zhu and Yanyan Li and Qi Zhang and Zhonghong Ou and Xuesong Li},
journal= {arXiv preprint arXiv:2407.20684},
year = {2024}
}
备注
Accepted by ACM Transactions on Information Systems (TOIS)