SciNUP：面向科学文献推荐的自然语言用户兴趣轮廓
信息检索
2026-01-26 v2
摘要
在推荐系统中使用自然语言（NL）用户轮廓相较于传统表示方式具有更大的透明度和用户控制力。然而，目前缺乏大规模、公开可用的用于评估 NL 轮廓基推荐的测试集合。为填补这一空白，我们引入 SciNUP，一个用于学术推荐的新型合成数据集，利用作者的出版历史生成 NL 轮廓及相应的 ground truth 项目。我们使用该数据集对基线方法进行比较，包括稀疏检索、稠密检索方法以及最新 LLM 基 reranker。我们的结果表明，虽然基线方法实现了相当 Comparable 的性能，但它们往往检索不同的项目，表明具有互补的行为。同时，仍存在相当大的提升空间，这凸显了需要有效 NL 基于推荐方法的必要性。SciNUP 数据集因此成为推动该领域未来研究和开发的宝贵资源。
引用
@article{arxiv.2510.21352,
title = {SciNUP: Natural Language User Interest Profiles for Scientific Literature Recommendation},
author = {Mariam Arustashvili and Krisztian Balog},
journal= {arXiv preprint arXiv:2510.21352},
year = {2026}
}
备注
Proceedings of the 48th European Conference on Information Retrieval (ECIR '26), 2026