我该引用什么？一个用于学术引用预测的 RAG 基准
信息检索
2026-01-27 v2
摘要
随着基于 Web 的学术出版物快速增长，每年发表的论文越来越多，使得寻找相关的先前工作变得越来越困难。引用预测旨在自动推荐合适的参考文献，帮助学者在不断扩展的科学文献中导航。在此，我们提出 \textbf{CiteRAG}，这是首个集成了检索增强生成(RAG)的综合基准，用于在学术引用预测任务上评估大型语言模型，其特色在于多级检索策略、专门的检索器和生成器。我们的基准有四项核心贡献：(1) 我们建立了两个具有不同粒度的引用预测任务实例。任务1侧重于粗粒度的特定列表引用预测，而任务2针对细粒度的特定位置引用预测。为了增强这两个任务，我们构建了一个数据集，其中包含用于任务1的 7,267 个实例和用于任务2的 8,541 个实例，从而能够对检索和生成进行全面评估。(2) 我们使用增量流水线构建了一个包含跨越多个主要子领域的 554k 篇论文的三级大规模语料库。(3) 我们提出了一种用于引用预测的多级混合 RAG 方法，通过对比学习微调嵌入模型以捕获复杂的引用关系，并配以专门的生成模型。(4) 我们在最先进的语言模型上进行了广泛的实验，包括闭源 API、开源模型以及我们微调的生成器，证明了我们框架的有效性。我们的开源工具包支持可复现的评估并专注于学术文献，为引用预测提供了首个综合评估框架，并作为其他科学领域的方法论模板。我们的源代码和数据已发布在 https://github.com/LQgdwind/CiteRAG。
引用
@article{arxiv.2601.14949,
title = {What Should I Cite? A RAG Benchmark for Academic Citation Prediction},
author = {Leqi Zheng and Jiajun Zhang and Canzhi Chen and Chaokun Wang and Hongwei Li and Yuying Li and Yaoxin Mao and Shannan Yan and Zixin Song and Zhiyuan Feng and Zhaolu Kang and Zirong Chen and Hang Zhang and Qiang Liu and Liang Wang and Ziyang Liu},
journal= {arXiv preprint arXiv:2601.14949},
year = {2026}
}