Using Rank Aggregation for Expert Search in Academic Digital Libraries
专家发现任务在信息检索文献中越来越受到重视。然而，目前的最新技术水平仍然缺乏将不同证据来源结合起来的原则性方法。本文探讨了使用无监督的等级聚合方法作为一种原则性的方法，结合多个估计的专业知识，来自文本内容，从图形结构的引用模式的社区的专家，并从配置文件信息的专家。我们专门实验了两个无监督的等级聚合方法，众所周知的信息检索文献，即CombSUM和CombMNZ。在计算机科学领域的学术出版物数据集上进行的实验证明了这些方法的充分性。
2020-10-25 cs.IR
Continuous Online Evaluation of Recommendation Strategies in Social Science Academic Search
GESIS - Leibniz Institute for the Social Sciences（GESIS-莱布尼茨社会科学研究机构）
本研究在社会科学学术搜索引擎GESIS Search中，利用STELLA框架实现并比较多种推荐算法，发现语义相似度推荐更受用户偏好，不同信息类型下推荐性能存在差异，为学术搜索推荐的连续评估提供了见解。
2026-07-30 cs.IR
A Complete Year of User Retrieval Sessions in a Social Sciences Academic Search Engine
在本文中，我们提出了一个开放的数据集提取的社会科学学术搜索引擎sowiport的交易日志。该数据集包括sowiport用户在2014年4月至2015年4月期间进行的484，449次检索会话的过滤集。我们提出了一个描述的学术搜索引擎用户，可以用于不同的应用程序，如结果排名改进，用户建模，查询重构分析，搜索模式识别进行的交互。
2017-09-23 cs.DL cs.IR
Taxonomy-guided Semantic Indexing for Academic Paper Search
University of Illinois at Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校）；Yonsei University（延世大学）；Pohang University of Science and Technology（浦项科技大学）
针对稠密检索难以匹配查询与论文间学术概念的问题，提出 TaxoIndex 语义索引框架，利用学术分类体系组织概念并桥接查询与文档，可即插即用地增强检索器，在少量训练数据下显著提升效果与可解释性。
2024-10-25 cs.AI cs.IR
AI Transparency in Academic Search Systems: An Initial Exploration
本研究通过定性内容分析评估10个AI增强型学术搜索系统的透明度，发现多数系统信息不透明，引发对研究诚信的担忧。
2024-08-02 cs.CY cs.IR
Analysis of Footnote Chasing and Citation Searching in an Academic Search Engine
在交互式信息检索中，研究人员考虑用户对系统和搜索任务的行为，以便通过分析他们过去的交互来调整搜索结果。本文分析了在一个学术搜索引擎中，用户对Marcia Bates的“脚注搜索”和“引文搜索”等搜索策略的行为。我们进行了初步的分析，他们的频率和使用阶段的社会科学搜索引擎sowiport。此外，我们还探讨了这些策略对整个搜索过程性能的影响。我们可以得出结论，这两个搜索功能的出现在实际检索会话中导致的精度的提高，在使用脚注追逐和17%的引文搜索策略时，16%的正交互作用。
2017-09-23 cs.DL cs.IR
ScholarSearch: Benchmarking Scholar Searching Ability of LLMs
针对现有搜索基准忽视学术搜索需求的问题，提出首个学术搜索基准ScholarSearch，覆盖多学科高难度问题，用于评估和提升LLM的复杂学术信息检索能力。
2025-06-20 cs.CL cs.IR
Report on CHIIR 2026 Workshop on Generative AI and Academic Search (GAI&AS)
CHIIR 2026 Workshop（CHIIR 2026 工作坊）
报告总结CHIIR 2026关于生成式AI重塑学术搜索系统的研讨会，聚焦设计评估挑战，涵盖基础、应用及搜索即学习三大主题，强调透明性、可信度与研究诚信。
2026-06-08 cs.AI cs.HC cs.IR
Paper evolution graph: Multi-view structural retrieval for academic literature
学术文献检索涉及到选择最有可能符合用户信息需求的论文。大多数检索系统都局限于列表输出模型，在这种模型中，检索结果是相互隔离的。在这项工作中，我们的目标是揭示检索结果的关系，并提出了一种方法，为学术文献，我们称之为论文进化图（PEG）的结构化检索结果。PEG描述了通过几个进化链的论文输入查询的各个方面的演变。通过利用作者、引文和内容信息，PEG可以揭示论文之间的各种潜在关系，并从多个角度呈现文章的演变。我们的系统支持三种类型的输入查询：关键字，单篇论文和两篇论文的查询。PEG的构建主要包括三个步骤。首先，通过元因子分解对论文进行软聚类，得到每篇论文的主题分布;其次，从与查询相关的社区中提取主题内聚进化链。每条链都关注查询的一个方面。最后，将提取的链组合以生成PEG，其完全覆盖查询的所有主题。在真实数据集上的实验结果表明，该方法能够构建有意义的PEG。
2017-11-24 cs.IR
AI Overviews in Academic Search: Evaluating AI-generated Summaries of Search Results in a Domain-specific Search Engine
GESIS – Leibniz Institute for the Social Sciences（德国社会科学研究莱布尼茨研究所）；Modul University Vienna（维也纳莫德尔大学）
在学术搜索中，研究用人工智能生成的搜索引擎结果页面摘要作为辅助，通过人工评估得出错误分类法和保障措施，进行用户研究，发现其是依赖上下文和用户的辅助，贡献了相关指导和设计建议。
2026-07-07 cs.HC cs.IR
An Evaluation of Two Commercial Deep Learning-Based Information Retrieval Systems for COVID-19 Literature
COVID-19大流行导致对获取最新科学信息的巨大需求，主要是通过使用文本挖掘和搜索工具。这导致了与COVID-19相关的生物医学文章的两个语料库（例如CORD-19语料库（Wang et al.，2020））以及搜索引擎来查询这样的数据。虽然搜索引擎中的大多数研究是在信息检索（IR）的学术领域中进行的，但是大多数学术搜索引擎$\unicode{x2013}$（尽管经过严格评估的$\unicode{x2013}$）被稀疏地利用，而主要的商业web搜索引擎（例如，谷歌、必应）占据主导地位。这与COVID-19有关，因为可以预期，为大流行部署的商业搜索引擎将获得比学术实验室生产的搜索引擎高得多的吸引力，从而导致对这些搜索工具的实证表现提出质疑。本文旨在对谷歌和亚马逊生产的两种针对COVID-19的商业搜索引擎进行实证评估，并与在TREC-COVID跟踪背景下评估的更具学术性的原型进行比较（Roberts et al.，2020年）。我们采取了几个步骤来减少可用人工判断中的偏差，以确保两个系统与提交给TREC-COVID的系统进行公平比较。我们发现，TREC-COVID中在所有指标上表现最好的系统在本研究中评估的不同系统中表现最好。这对开发生物医学检索系统以应对未来的健康危机以及对流行的健康搜索引擎的信任具有影响。
2020-07-27 cs.IR
Effective Distributed Representations for Academic Expert Search
University of Amsterdam（阿姆斯特丹大学）；Zeta Alpha Vector（泽塔阿尔法向量公司）
专家搜索旨在根据用户的查询查找专家并对其进行排名。在学术界，检索专家是浏览大量学术知识的有效方法。在这里，我们研究如何不同的分布式表示的学术论文（即嵌入）影响学术专家检索。我们使用Microsoft Academic Graph数据集，并对以文档为中心的投票模型的不同配置进行了实验。特别是，我们探讨了使用上下文嵌入对搜索性能的影响。我们还介绍了通过改造纳入引用信息的论文嵌入的结果。此外，实验进行了使用不同的技术分配作者的权重的基础上，作者顺序。我们观察到，使用上下文嵌入由一个Transformer模型训练句子相似性任务产生最有效的文件表示为中心的专家检索。然而，改造论文嵌入和使用精心设计的作者贡献加权策略并没有提高检索性能。
2020-10-16 cs.AI cs.CL cs.IR
Learning to Rank for Expert Search in Digital Libraries of Academic Publications
专家发现任务在信息检索文献中越来越受到重视。然而，目前最先进的技术仍然缺乏以最佳方式结合不同证据来源的原则性方法。本文探讨了使用学习排序方法作为一个原则性的方法相结合的多个估计的专业知识，来自文本内容，从图形结构与引用模式的社区的专家，并从配置文件信息的专家。在计算机科学领域的学术出版物数据集上进行的实验证明了所提出的方法的充分性。
2013-02-02 cs.DL cs.IR
NLP-Powered Repository and Search Engine for Academic Papers: A Case Study on Cyber Risk Literature with CyLit
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；The Ohio State University（俄亥俄州立大学）
本文提出利用NLP自动检索、摘要和聚类特定领域学术文献的框架，并构建网络风险文献库CyLit，通过与综述和ChatGPT分类结果比较验证其检索与趋势分析价值。
2024-09-10 cs.CL cs.IR cs.LG
Tracing Digital Footprints to Academic Articles: An Investigation of PeerJ Publication Referral Data
在这项研究中，我们提出了一种新的方法来探索人们对学术文章的访问模式。对《PeerJ》杂志上发表的1432篇论文的340万条访问者参考源链接进行了统计分析。我们发现，至少有57%的访问是来自外部的转介来源，其中一般搜索引擎，社会网络，新闻和博客是前三大类的转介。学术资源，包括学术搜索引擎和学术出版商的网站，是第四大类的参考来源。此外，我们的研究结果表明，谷歌在引导人们阅读学术文章方面的贡献最大。这包括使用谷歌的搜索引擎，谷歌学术搜索引擎，以及他们的不同特定国家域。NCBI专注于与PeerJ出版范围相似的学科，是人们最常指向PeerJ的学术搜索引擎。相关性分析和回归分析表明，被提及次数越多的论文，其访问量越大，Facebook、Twitter和Reddit是人们推荐PeerJ的最常用的社交网络工具。
2016-01-20 cs.DL cs.IR cs.SI
Living Lab Evaluation for Life and Social Sciences Search Platforms -- LiLAS at CLEF 2021
针对学术搜索相关性多层化、现有信息检索系统评估需创新的问题，CLEF 2021的LiLAS工作组依托STELLA基础设施，搭建生命与社会科学真实学术搜索系统的生活实验室评估平台，支持参与者集成并对比不同检索方法。
2023-10-05 cs.DL cs.IR
SPAR: Scholar Paper Retrieval with LLM-based Agents for Enhanced Academic Search
Beijing Academy of Artificial Intelligence（北京智源人工智能研究院）；Beijing Jiaotong University（北京交通大学）
SPAR是一个基于大语言模型的多智能体学术检索框架，通过RefChain查询分解与查询演化提升搜索效果，并构建专家标注基准SPARBench，在多个基准上显著超越现有方法。
2025-07-21 cs.AI cs.IR
PaSa: An LLM Agent for Comprehensive Academic Paper Search
ByteDance Seed（字节跳动种子）；Peking University（北京大学）
PaSa是一个基于大语言模型的论文搜索智能体，通过强化学习优化，在真实查询基准上显著超越现有搜索方法，实现高召回率与精确率。
2025-05-27 cs.IR cs.LG
Forgetful by Design? A Critical Audit of YouTube's Search API for Academic Research
University of Amsterdam（阿姆斯特丹大学）；Euncet Business School（尤内塞商学院）
本文批判性审查YouTube搜索API的局限性，指出其在学术研究中存在完整性和一致性问题，影响研究结果的可靠性。
2025-11-24 cs.HC cs.IR cs.SI
ScholarQuest: A Taxonomy-Guided Benchmark for Agentic Academic Paper Search in Open Literature Environments
State Key Lab of Cognitive Intelligence, University of Science and Technology of China（中国科学技术大学认知智能国家重点实验室）
提出ScholarQuest基准，基于1000多个计算机科学主题和四种研究意图，构建可扩展的答案和共享检索后端，评估LLM智能体在开放文献环境中的学术论文搜索能力。
2026-10-14 cs.AI cs.IR
Learning to Rank Academic Experts in the DBLP Dataset
专家发现是一项信息检索任务，它涉及到对特定主题最有知识的人的搜索，并且搜索是基于描述人们活动的文档。该任务包括将用户查询作为输入，并返回根据用户查询的专业知识级别排序的人员列表。尽管最近在该领域的兴趣，目前国家的最先进的技术缺乏原则性的方法，最佳地结合不同的证据来源。本文提出了两个框架，结合多个估计的专业知识。这些估计是来自文本内容，从图形结构的引用模式的专家社区，并从配置文件信息的专家。更具体地说，本文探讨了使用监督学习排序方法，以及排名聚合方法，以结合所有的专业知识的估计。几个监督学习算法，这是代表逐点，成对和列表的方法，进行了测试，和各种国家的最先进的数据融合技术也探索了等级聚合框架。在计算机科学领域的学术出版物数据集上进行的实验证明了所提出的方法的充分性。
2015-01-21 cs.IR
BERT-Embedding and Citation Network Analysis based Query Expansion Technique for Scholarly Search
研究出版物的巨大增长使得学术搜索引擎很难针对给定的搜索查询带来最相关的论文。多年来，已经提出了许多解决方案来提高学术搜索的有效性，包括利用查询扩展和引文分析。查询扩展技术减轻了查询中使用的语言与索引文档之间的不匹配。然而，这些技术可能会在扩展原始查询的同时引入不相关的信息。近年来，文本检索的上下文化模型BERT在查询扩展方面取得了很大的成功。基于这些问题，并受到BERT成功的启发，本文提出了一种新的方法Qe BERT。QeBERT在查询扩展中利用基于BERT的嵌入和引文网络分析（CNA）来改进学术搜索。具体来说，我们使用上下文感知的BERT嵌入和CNA的查询扩展伪相关反馈（PRF）时尚。ACL数据集上的初步实验结果表明，BERT嵌入可以提供一个有价值的增强查询扩展和提高搜索相关性时，结合CNA。
2023-01-26 cs.IR
Unsupervised Extraction of Representative Concepts from Scientific Literature
本文研究了从科技论文标题中自动分类和提取科学概念的方法，以更深入地了解其关键贡献，促进通用学术知识库的构建。为了实现这一目标，我们提出了一种无监督的、独立于领域的、可扩展的两阶段算法，用于将关键概念提及类型和提取到感兴趣的方面（例如，技术、应用等）。在我们的算法的第一阶段，我们提出了PhraseType，一个概率生成模型，利用文本特征和有限的POS标签，广泛分割文本片段到方面类型的短语。我们扩展了这个模型，同时学习方面的特定功能，并确定多领域语料库中的学术领域，因为这两个任务相互增强对方。在第二阶段中，我们提出了一种基于适配器语法的方法，以纯粹的数据驱动的方式从方面类型的短语中提取细粒度的概念提及，而不需要任何外部资源或人力。我们应用我们的技术来研究来自不同科学领域的文献，并显示出比最先进的概念提取技术有显着的进步。我们还提出了一个定性分析所获得的结果。
2017-11-09 cs.IR
A Visual Query System for Scholar Networks
大型学者网络在学术领域很受欢迎，比如Aminer。它提供学术社交网络的展示，包括个人资料搜索、专家查找、会议分析、课程搜索、子图搜索、主题浏览、学术排名和用户管理。通常搜索结果以项目的形式列出，而项目之间的关系对用户来说是隐藏的。可视化是帮助用户探索隐藏关系、发现更多有用信息的可行途径。本文旨在以更友好的方式可视化Aminer中的搜索结果，并帮助他们更好地利用该工具。我们提供了三种不同的设计来可视化结果，并在用户研究中进行了测试。实证结果表明，设计的图形有助于用户更好地了解他们想要知道的领域，使他们的搜索更有效。
2018-09-04 cs.HC cs.IR cs.SI
Recommendation on Academic Networks using Direction Aware Citation Analysis
文献检索一直是学术研究的重要组成部分。它大大有助于提高研究过程和产出的质量，并提高研究人员对科学作出新贡献的效率。随着发表论文的数量逐年增加，即使在今天的搜索引擎的帮助下，手动搜索也变得更加详尽，因为它们不是专门用于这项任务的。在学术界，两篇相关的论文并不总是必须共享关键词，相互引用，甚至在同一领域。虽然一个著名的文件通常是一个容易的祈祷在这样的狩猎，相关文件使用不同的术语，特别是最近的，是不明显的眼睛。在这项工作中，我们提出了论文推荐算法，利用论文之间的引用信息。所提出的算法是方向感知的，在这个意义上，他们可以调整，以找到最近或传统的文件。该算法需要一组论文作为输入，并推荐一组相关的论文。如果用户想要对建议的论文集给出负面或正面的反馈，则改进推荐。在这个意义上，可以通过相关反馈容易地引导搜索过程。我们表明，这种轻微的指导有助于用户以更有效的方式达到所需的文件。我们还调整了我们的模型和算法，用于场地和评论者推荐任务。通过与文献中的多个基线和算法进行比较，对模型和算法的准确性进行了全面评估，这些基线和算法针对引用、地点和审稿人推荐任务的几个目标。所有这些算法都是在一个公开可用的Web服务框架（http：//theparsor.osu.edu/）中实现的，该框架目前使用来自DBLP和CiteSeer的数据来构建所提出的引文图。
2012-05-05 cs.DL cs.IR
Report on the 8th International Workshop on Bibliometric-enhanced Information Retrieval (BIR 2019)
ECIR的文献计量学增强信息检索研讨会系列（BIR）解决了与学术搜索相关的问题，处于信息检索和文献计量学之间的十字路口。BIR是学术界（例如，ArnetMiner、CiteSeerx、DocEar）和行业（例如，Google Scholar、Microsoft Academic Search、Semantic Scholar）。本报告介绍了在德国科隆举行的ECIR 2019上为期一天的BIR研讨会的第8次迭代。
2019-09-11 cs.DL cs.IR
Are All Genders Equal in the Eyes of Algorithms? -- Analysing Search and Retrieval Algorithms for Algorithmic Gender Fairness
Faculty for Computer Science and Mathematics, Hochschule München University of Applied Sciences（计算机科学与数学系，慕尼黑应用科学大学）；Department of Statistics, LMU Munich（统计学系，慕尼黑大学）；Munich Center for Machine Learning (MCML), LMU Munich（慕尼黑机器学习中心（MCML），慕尼黑大学）
本文引入保持偏见的算法性别公平性定义，分析德国大学学术档案在元数据完整性、出版物检索及Google搜索可见性上的性别差异，发现男性教授数字可见性更高且对齐度更强，强调需兼顾技术性能与表征平等的公平性评估。
2025-08-05 cs.AI cs.IR
Search Still Matters: Information Retrieval in the Era of Generative AI
Oregon Health & Science University（俄勒冈健康与科学大学）；School of Medicine（医学院）
本文探讨生成式AI在信息检索中的应用，指出虽大语言模型可辅助检索，但用户对搜索结果权威性、时效性等的需求仍让搜索系统及相关改进研究不可或缺。
2023-12-17 cs.AI cs.IR
Diversifying Multi-aspect Search Results Using Simpson's Diversity Index
在搜索和推荐中，多样化的多方面搜索结果可以帮助减少冗余，并促进可能不会显示的结果。许多以前的方法已经提出了这项任务。然而，以前的方法没有显式地考虑项目的类的数量的均匀性，或均匀性，这可能会降低搜索和推荐质量。为了解决这个问题，我们引入了一种新的方法，通过适应辛普森多样性指数从生物学，这使得一个更有效和高效的二次搜索结果多样化算法。我们还扩展了该方法，通过加权因子来平衡多个方面之间的差异，并通过开发快速近似算法来进一步提高计算复杂性。我们使用公开的Kaggle鞋比赛数据集证明了所提出的方法的可行性。我们的实验结果表明，我们的方法优于以前的最先进的多样化的方法，同时降低了计算复杂性。
2021-05-21 cs.IR
Searching, Learning, and Subtopic Ordering: A Simulation-based Analysis
复杂的搜索任务-例如来自“搜索即学习”（SAL）领域的搜索任务-常常导致用户产生由几个方面组成的信息需求。然而，目前的行为模型假设个人有一个原子的需要，无论任务。虽然这些模型一般都能很好地满足简单的信息需求，但我们认为，需要进一步开发可扩展模型，以便将复杂的搜索任务分解为多个方面。由于还没有一个模型，认为这两个方面和SAL域，我们建议，通过增加复杂的搜索模型（CSM），子主题意识复杂的搜索模型（SACSM）建模方面的子主题，以用户的需要。然后，我们实例化几个代理（即，模拟用户），具有不同的子主题选择策略，其可以被认为是不同的原型学习策略（例如，我应该一次深入研究一个子主题，还是肤浅地涵盖几个子主题？）最后，我们报告的第一个大规模的模拟分析用户行为在SAL域。结果表明，SACSM，在一定的条件下，准确地模拟用户的行为。
2022-01-26 cs.IR
Identifying Aspects for Web-Search Queries
许多网络搜索查询是探索未知信息空间的开始，而不是寻找特定的网页。为了有效地回答这些查询，搜索引擎应该尝试以便于探索的方式组织相关信息的空间。我们描述的Aspector系统，计算方面为一个给定的查询。每个方面是一组搜索查询，这些搜索查询一起表示与原始搜索查询相关的不同信息需求。作为探索空间的有效手段，Aspector计算彼此正交并具有高组合覆盖率的方面。Aspector结合两个信息源来计算方面。我们通过分析查询日志发现候选方面，并将它们聚类以消除冗余。然后，我们使用大规模协作知识库（例如，Wikipedia）来计算不太频繁出现的查询的候选方面，并将可能“语义”相关的方面分组在一起。我们提出了一个用户的研究表明，我们计算的方面被评为有利的三个竞争的替代品-相关搜索提出的谷歌，集群标签分配的集群搜索引擎，并提出了必应导航搜索。
2014-01-16 cs.DB cs.IR
Impact of large language models on peer review opinions from a fine-grained perspective: Evidence from top conference proceedings in AI
School of Management, Anhui University（安徽大学管理学院）
本文研究大型语言模型对同行评审意见的影响，分析了评审报告在语言特征、评价重点和推荐信号方面的变化，发现评审文本变得更长、更流畅，但深入评价维度有所下降。
2026-04-21 cs.AI cs.CL cs.DL
Overview of the TREC 2020 Fair Ranking Track
Microsoft Research Montréal（微软研究院蒙特利尔）；Boise State University（博伊西州立大学）；Allen Institute for Artificial Intelligence（艾伦人工智能研究所）；Montreal Institute for Learning Algorithms（蒙特利尔学习算法研究所）
本文概述了NIST TREC 2020年公平排名轨道。2020年，我们再次采用学术搜索任务，将学术文章摘要和查询的语料库提交给生产学术搜索引擎。公平排名轨道的核心目标是为不同作者群体提供公平的曝光度（群体公平框架）。我们认识到可能存在多个组定义（例如，基于人口统计学，身高，主题），并希望系统对这些具有鲁棒性。我们希望参与者开发的系统能够优化任意组定义的公平性和相关性，并且直到提交评估运行后才显示确切的组定义。轨道包含两个任务，重新排序和检索，具有共享评估。
2021-08-11 cs.CY cs.IR cs.LG
Keyword Embeddings for Query Suggestion
Linknovate Science（Linknovate科学公司）；University of A Coruña（拉科鲁尼亚大学）
目前，搜索引擎用户普遍依赖于查询建议来改善他们的初始输入。当前的系统非常擅长向用户的查询推荐词汇调整或拼写更正。然而，他们往往很难建议语义相关的关键字给定用户的查询。在某些任务中，如法律检索或学术检索，详细查询的构造是至关重要的。在这些情况下，关键字建议方法是至关重要的，以指导用户在查询公式。本文提出了两个新的模型，用于科学文献训练的关键词建议任务。我们的技术适应Word2Vec和FastText的架构，通过利用文档的关键字共现来生成关键字嵌入。除了这些模型，我们还提出了一个专门定制的负采样方法，利用关键字如何出现在学术出版物。我们设计了一个排名为基础的评估方法，以下两个已知的项目和特设的搜索场景。最后，我们评估了我们的建议对国家的最先进的词和句子嵌入模型显示出相当大的改善基线的任务。
2023-01-23 cs.CL cs.IR
WisPaper: Your AI Scholar Search Engine
Fudan University（复旦大学）
本文提出WisPaper，一种端到端代理系统，通过整合模块解决学术文献搜索中的语义限制和工作流程碎片化问题，提升文献发现、组织和跟踪效率。
2026-04-13 cs.AI cs.IR
Finding Academic Experts on a MultiSensor Approach using Shannon's Entropy
Instituto Superior Técnico（高等理工学院）；INESC-ID（葡萄牙系统与计算机工程研究所）
专家发现是一项信息检索任务，它是以描述人们活动的文献为基础，寻找对某一主题最有知识的人。该任务包括将用户查询作为输入，并返回按用户查询的专业知识级别排序的人员列表。本文介绍了一种新的方法相结合的多个估计的专业知识的基础上，多传感器数据融合框架与证据理论和香农熵的Dempster-Shafer。更具体地说，我们定义了三个传感器，检测来自文本内容的异构信息，从图形结构的引用模式的专家社区，并从配置文件信息的学术专家。给定收集的证据，每个传感器可以将不同的候选人定义为专家，并且因此在最终排名决策中不同意。为了解决这些冲突，我们应用Dempster-Shafer证据理论结合Shannon熵公式对这些信息进行融合，得到了一个更准确可靠的最终排名表。在两个数据集的学术出版物从计算机科学领域的实验证明了所提出的方法在传统的最先进的方法的充分性。我们还对有代表性的监督最先进的算法进行了实验。结果表明，所提出的方法实现了类似的性能相比，这些监督技术，确认所提出的框架的能力。
2013-06-12 cs.AI cs.IR
A Novel Paper Recommendation Method Empowered by Knowledge Graph: for Research Beginners
Wuhan Textile University（武汉纺织大学）；Wuhan University（武汉大学）
从不同的学术数据库中搜索论文是研究初学者获得跨领域技术解决方案最常用的方法。然而，传统的搜索方法既没有考虑不同领域的知识异构性，也没有建立搜索的底层，包括但不限于目标解和待排除解的特征描述文本，因此效率低下，有时甚至是无用的。为了解决这一问题，本文提出了一种新的论文推荐方法，通过引入“主从式”领域知识图谱，不仅帮助用户更准确地表达自己的需求，而且帮助推荐系统更好地表达知识。具体而言，它不受冷启动问题的限制，是一种面向挑战的方法。为了验证该方法的合理性和有效性，我们选择了两个跨领域和三个不同的学术数据库进行验证。实验结果表明，该方法可以有效地帮助科研初学者在跨领域的情况下获取新的技术论文。在此基础上，提出了一种新的研究范式，为研究初学者在早期阶段。
2021-03-16 cs.IR cs.LG
IRLab@iKAT24: Learned Sparse Retrieval with Multi-aspect LLM Query Generation for Conversational Search
University of Amsterdam（阿姆斯特丹大学）
本文研究对话式搜索中的查询重写，提出基于MQ4CS框架的多维度LLM查询生成方法，并结合SPLADE学习型稀疏检索与交叉编码器重排序，在iKAT 2024任务中验证了该方法能有效提升检索性能并超越人工重写效果。
2024-11-22 cs.CL cs.IR
