Paragraph-level Citation Recommendation based on Topic Sentences as Queries
University of Zagreb, Faculty of Electrical Engineering and Computing（萨格勒布大学电气工程与计算学院）；Text Analysis and Knowledge Engineering Lab（文本分析与知识工程实验室）
提出段落级引文推荐任务作为全局和局部CR的折中方案，以主题句为输入，使用四元组损失微调模型并在ACL数据集上取得优于基线的性能。
2023-05-20 cs.CL cs.IR
Deep learning-based citation recommendation system for patents
Konkuk University（建国大学）；TEAMLAB；Gachon University（嘉泉大学）
在这项研究中，我们解决了开发一个基于深度学习的自动专利引文推荐系统的挑战。虽然基于深度学习的推荐系统在各个领域（如电影、产品和论文引用）都表现出了出色的性能，但由于缺乏免费提供的高质量数据集和相关基准模型，它们在专利引用中的有效性尚未得到研究。为了解决这些问题，我们提出了一个名为PatentNet的新数据集，其中包括来自Google Big Query服务的大约110，000项专利的文本信息和元数据。此外，我们提出了强大的基准模型，考虑到文本信息和元数据（如合作专利分类代码）的相似性。与现有的推荐方法相比，所提出的基准方法在测试集上实现了0.2377的平均倒数排名，而现有的最先进的推荐方法实现了0.2073。
2020-10-21 cs.AI cs.CL cs.IR
Content-Based Citation Recommendation
Allen Institute for AI（艾伦人工智能研究所）；Data Cowboys（数据牛仔公司）
本文提出了一种基于内容的学术论文引文推荐方法。我们将给定的查询文档嵌入到向量空间中，然后使用其最近的邻居作为候选者，并使用经过训练以区分观察到的和未观察到的引用的判别模型对候选者进行重新排序。与以前的工作不同，我们的方法不需要元数据，如可能丢失的作者姓名，例如，在同行评审过程中。在不使用元数据的情况下，我们的方法优于PubMed和DBLP数据集上报告的最佳结果，在F1@20中的相对改进超过18%，在MRR中的相对改进超过22%。我们的经验表明，虽然添加元数据提高了标准指标的性能，但它有利于自引用，这在引用推荐设置中不太有用。我们发布了一个在线门户网站（http：//labs.semantics.org/citeomatic/）的引文推荐基于我们的方法，和一个新的数据集OpenCorpus的700万篇研究文章，以促进未来的研究这项任务。
2018-02-22 cs.CL cs.DL cs.IR
Local Citation Recommendation with Hierarchical-Attention Text Encoder and SciBERT-based Reranking
Institute of Neuroinformatics, University of Zurich（苏黎世大学神经信息学研究所）；ETH Zurich（苏黎世联邦理工学院）
本地引用推荐的目标是从本地引用上下文以及可选地从全局上下文推荐缺失的参考文献。为了在大规模论文数据库的背景下平衡引用推荐的速度和准确性之间的权衡，一种可行的方法是首先使用有效的排名方法预取有限数量的相关文档，然后使用更复杂的模型执行细粒度的重新排名。在这种情况下，BM 25被发现是一种难以击败的预取方法，这就是为什么最近的工作主要集中在重新排序步骤上。即便如此，我们探索预取与最近邻搜索之间的文本嵌入构造的层次注意力网络。当再加上一个SciBERT reranker微调本地引文推荐任务，我们的分层注意力编码器（HAtten）实现了高预取召回给定数量的候选人进行重新排名。因此，我们的重新排名器需要更少的预取候选项来重新排名，但仍然在ACL-200、FullTextPeerRead、RefSeer和arXiv等各种本地引文推荐数据集上实现了最先进的性能。
2022-03-17 cs.CL cs.IR cs.LG
Local Citation Recommendation Without Graph Signals
Harvard University（哈佛大学）；Center for Astrophysics | Harvard & Smithsonian（天体物理中心 | 哈佛与史密森尼学会）
该研究针对局部引文推荐（LCR）因依赖引文图易产生偏差、缺乏公开数据的问题，构建了LCRC数据集，开发出无图信号的引文推荐系统，在未微调模型下较基线提升了检索指标，且公开了代码与数据集。
2026-10-14 cs.CL cs.DL cs.IR
Large-scale Evaluation of Transformer-based Article Encoders on the Task of Citation Recommendation
Faculty of Electrical Engineering and Computing, University of Zagreb（萨格勒布大学电气工程与计算学院）
最近推出的基于transformer的文章编码器（TAE）旨在为相互相关的科学文章产生类似的矢量表示，在科学文章推荐的基准数据集上表现出强大的性能。然而，现有的基准数据集主要集中在单个领域，并且在某些情况下，在小的候选池中包含容易的否定。在候选库中有数千篇文章的情况下，评估此类基准的表示可能会模糊TAE的实际性能。在这项工作中，我们评估TAE的大型基准更具挑战性的候选池。我们比较了TAE的性能与词汇检索基线模型BM 25的引用推荐的任务，该模型产生一个列表的建议，在给定的输入文章中引用。我们发现，BM 25与最先进的神经检索器相比仍然具有很强的竞争力，考虑到TAE在小基准上的强劲表现，这一发现令人惊讶。为了弥补现有基准的局限性，我们提出了一个新的基准数据集来评估科学文章的表示：多领域引文推荐数据集（MDCR），它涵盖了不同的科学领域，并包含具有挑战性的候选池。
2022-09-12 cs.CL cs.IR
Context-Aware Legal Citation Recommendation using Deep Learning
Carnegie Mellon University（卡内基梅隆大学）；Stanford University（斯坦福大学）；Technical University of Munich（慕尼黑工业大学）；SINC GmbH（SINC有限公司）
律师和法官花了大量的时间研究适当的法律权威引用，而起草决定。在本文中，我们开发了一个引文推荐工具，可以帮助提高效率的过程中的意见起草。我们训练了四种类型的机器学习模型，包括基于引用列表的方法（协同过滤）和三种基于上下文的方法（文本相似性、BiLSTM和RoBERTa分类器）。我们的实验表明，利用本地文本上下文可以提高推荐，并且深度神经模型可以实现不错的性能。我们发现，非深度文本为基础的方法受益于访问结构化的情况下元数据，但深度模型只受益于这样的访问时，预测从上下文的长度不足。我们还发现，即使经过广泛的训练，RoberTa也没有优于递归神经模型，尽管它有预训练的好处。我们对RoBERTa模型的行为分析进一步表明，预测性能在时间和引用类别上是稳定的。
2021-06-20 cs.CL cs.IR
Approaches for Enriching and Improving Textual Knowledge Bases
Gottfried Wilhelm Leibniz Universität Hannover（戈特弗里德·威廉·莱布尼茨汉诺威大学）
可验证性是维基百科的核心编辑原则之一，编辑者被鼓励为添加的陈述提供引用。语句可以是任意的文本片段，从一个句子到一个段落。然而，在许多情况下，引用要么是过时的，丢失的，或链接到不存在的参考（例如死URL，移动的内容等）。总的来说，20%的引用是指新闻文章，是第二大引用来源。即使在提供引用的情况下，也没有明确的指标来显示给定文本的引用范围。除了与可验证性原则有关的问题外，许多维基百科实体页面不完整，在线新闻来源中已经提供的相关信息缺失。即使是已经存在的引文，在新闻发布时间和引用时间之间也往往存在延迟。在这篇论文中，我们解决了上述问题，并提出了自动化的方法，在维基百科中执行的可验证性原则，并建议相关的和缺失的新闻引用进一步丰富维基百科实体页面。
2018-04-28 cs.CL cs.IR
Dual Attention Model for Citation Recommendation
Kyoto University（京都大学）
基于呈指数级增长的学术文章数量，发现和引用全面和适当的资源已成为一项不平凡的任务。传统的引文推荐方法存在严重的信息丢失问题。例如，他们不考虑用户正在撰写的论文的哪一部分，他们需要找到引用，本地上下文中单词之间的相关性（描述引用的文本跨度），或者本地上下文中每个单词的重要性。这些缺点使得这些方法不足以推荐足够的引用学术手稿。在这项研究中，我们提出了一种新的嵌入式神经网络称为“双重注意力模型的引文推荐（DACR）”，在稿件准备过程中推荐引文。我们的方法适应嵌入的三个维度的语义信息：在本地上下文中的单词，结构上下文，和用户正在工作的部分。设计了一个神经网络来最大化三个输入（局部上下文词、章节和结构上下文）的嵌入与出现在上下文中的目标引文之间的相似性。神经网络的核心由自我注意和附加注意组成，前者旨在捕捉语境词和结构语境之间的相关性，后者旨在学习它们的重要性。在真实数据集上的实验证明了该方法的有效性。
2020-12-03 cs.AI cs.CL cs.IR
A Context-Aware Citation Recommendation Model with BERT and Graph Convolutional Networks
TEAMLAB, Gachon University（TEAMLAB，嘉泉大学）；Papago, NAVER（Papago，NAVER）
随着发表的科学论文数量的巨大增长，在撰写科学论文时搜索参考文献是一个耗时的过程。在句子的适当位置添加参考引用的技巧将是有益的。从这个角度来看，上下文感知的引文推荐已经研究了大约二十年。许多研究者利用被称为上下文语句的文本数据（围绕引文标签）和目标论文的元数据来找到合适的被引研究。然而，缺乏组织良好的基准数据集和没有模型，可以达到高性能的研究困难。在本文中，我们提出了一个基于深度学习的模型和组织良好的数据集上下文感知的论文引用推荐。我们的模型包括一个文档编码器和一个上下文编码器，它使用图卷积网络（GCN）层和来自Transformers的双向编码器表示（BERT），这是一个预先训练的文本数据模型。通过修改相关的PeerRead数据集，我们提出了一个新的数据集称为FullTextPeerRead包含上下文句子引用的参考文献和论文元数据。据我们所知，该数据集是第一个组织良好的上下文感知论文推荐数据集。实验结果表明，基于该数据集的模型在平均查准率（MAP）和查全率（k）方面都有超过28%的提高。
2019-03-15 cs.CL cs.IR cs.LG
Hallucinations in Bibliographic Recommendation: Citation Frequency as a Proxy for Training Data Redundancy
Meijo University（名古屋大学）；RIKEN AIP（理化学研究所AIP）
本研究针对大语言模型在书目推荐中的论文幻觉问题，提出以引用频次作为训练数据冗余度代理指标，通过GPT-4.1实验验证了高被引论文幻觉率更低、被引超千次后近乎逐字记忆的结论，揭示了泛化到记忆的转变阈值。
2025-10-29 cs.AI cs.CL
Cross-language Citation Recommendation via Hierarchical Representation Learning on Heterogeneous Graph
Sun Yat-sen University（中山大学）；Peking University（北京大学）；Beijing Normal University（北京师范大学）；Alibaba Group（阿里巴巴集团）；Indiana University Bloomington（印第安纳大学伯明顿分校）
随着学术出版物数量的疯狂增长，在大型数字图书馆中访问和消费有用的候选论文正成为学者们的一项重要而具有挑战性的任务。不幸的是，由于语言障碍，一些科学家（特别是不掌握其他语言的初级科学家或研究生）无法有效地找到托管在外语库中的出版物。在这项研究中，我们提出了一种新的解决方案，跨语言的引文推荐通过层次表示学习异构图（HRLHG），以解决这个新问题。HRLHG可以通过将多语言存储库中的出版物映射到异构图上各种顶点和关系的低维联合嵌入空间来学习表示函数。通过利用全局（特定于任务）和局部（独立于任务）信息以及一种新的监督分层随机游走算法，所提出的方法可以通过最大化在图上定位重要的跨语言邻域的可能性来优化发布表示。实验结果表明，该方法不仅优于现有的基准模型，而且提高了跨语言引文推荐任务中表示模型的可解释性。
2018-12-31 cs.CL cs.IR
SPECTER: Document-level Representation Learning using Citation-informed Transformers
Allen Institute for Artificial Intelligence（艾伦人工智能研究所）；Paul G. Allen School of Computer Science & Engineering, University of Washington（华盛顿大学保罗·G·艾伦计算机科学与工程学院）
表示学习是自然语言处理系统的一个重要组成部分。最近的Transformer语言模型，如BERT，学习强大的文本表示，但这些模型的目标是针对令牌和文档级的训练目标，并没有利用文档间的相关性，这限制了他们的文档级表示能力。对于科学文档的应用，例如分类和推荐，嵌入在最终任务上具有强大的性能。我们提出了SPECTER，一种新的方法来生成文档级嵌入的科学文献的基础上预训练的Transformer语言模型上的一个强大的信号文档级的相关性：引用图。与现有的预训练语言模型不同，SPECTER可以很容易地应用于下游应用程序，而无需特定于任务的微调。此外，为了鼓励对文档级模型的进一步研究，我们引入了Sciencore，这是一个新的评估基准，由七个文档级任务组成，从引文预测到文档分类和推荐。我们表明，SPECTER优于各种竞争基线的基准。
2020-05-20 cs.CL
CiteBART: Learning to Generate Citations for Local Citation Recommendation
Computer Engineering Department（计算机工程系）
CiteBART通过引文特定预训练生成引文，其全局变体在局部引文推荐基准上取得最优性能，并展现出跨数据集泛化能力。
2025-10-14 cs.AI cs.CL cs.IR
SymTax: Symbiotic Relationship and Taxonomy Fusion for Effective Citation Recommendation
IIIT Delhi（德里印度信息技术学院）；NSUT Delhi（德里国家科技大学）
提出三阶段引文推荐架构SymTax，结合局部与全局上下文及查询-候选元组的分类法与共生关系，在双曲空间计算相似度，并在多个数据集上显著超越SOTA。
2024-05-26 cs.AI cs.CL cs.IR
TRACE: Tourism Recommendation with Accountable Citation Evidence
UNSW Sydney（新南威尔士大学悉尼分校）；University of Adelaide（阿德莱德大学）；Yonsei University（延世大学）；USTC（中国科学技术大学）
TRACE通过多轮对话结合评论引用和显式拒绝机制，解决旅游推荐中信任、可验证性和适应性问题，提出三项能力差距并验证评估方法。
2026-05-08 cs.AI cs.CL cs.IR
Multilevel Text Alignment with Cross-Document Attention
University of Washington（华盛顿大学）；Allen Institute for Artificial Intelligence（艾伦人工智能研究所）
文本对齐在引用推荐和剽窃检测等任务中得到应用。现有的对齐方法在单个预定义级别上操作，并且不能学习在例如句子和文档级别上对齐文本。我们提出了一种新的学习方法，装备以前建立的层次注意力编码器表示文件与跨文件的注意力组件，使结构比较不同的水平（文件到文件和文件到文件）。我们的组件是从文档对中弱监督的，可以在多个级别上对齐。我们的评估预测的引用推荐和剽窃检测的任务上的文档到文档的关系和副本到文档的关系表明，我们的方法优于以前建立的层次，注意编码器的基础上经常性和Transformer上下文，不知道文档之间的结构对应关系。
2020-10-03 cs.CL
Public Profile Matters: A Scalable Integrated Approach to Recommend Citations in the Wild
Indraprastha Institute of Information Technology Delhi (IIIT-Delhi)（印度理工学院德里分校）
本文提出Profiler模块，通过高效捕捉人类引用行为提升候选检索效率，并引入诱导评估设置和DAVINCI模型，实现跨数据集的最优性能。
2026-04-14 cs.AI cs.CL cs.IR
Multi-Vector Models with Textual Guidance for Fine-Grained Scientific Document Similarity
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；University of Washington（华盛顿大学）；Allen Institute for Artificial Intelligence（艾伦人工智能研究所）
提出了一种基于文本细粒度特征匹配的科技文档相似度模型。为了训练我们的模型，我们利用了一个自然发生的监督源：论文全文中的句子，这些句子一起引用了多篇论文（共同引用）。这样的共同引用不仅反映了密切的论文相关性，而且还提供了共同引用的论文是如何相关的文本描述。这种新颖的文本监督形式用于学习跨论文匹配方面。我们开发了多向量表示，其中向量对应于文档的文档级方面，并提出了两种方面匹配方法：（1）仅匹配单个方面的快速方法，以及（2）使用最优传输机制进行稀疏多个匹配的方法，该机制计算方面之间的地球移动器距离。我们的方法提高了四个数据集的文档相似性任务的性能。此外，我们的快速单匹配方法取得了有竞争力的结果，为将细粒度相似性应用于大型科学语料库铺平了道路。代码、数据和模型请访问：https://github.com/allenai/aspire
2022-05-04 cs.CL cs.IR
Evaluating Document Representations for Content-based Legal Literature Recommendations
Open Legal Data（开放法律数据）；German Research Center for Artificial Intelligence（德国人工智能研究中心）；ETH Zurich（苏黎世联邦理工学院）；University of Wuppertal（伍珀塔尔大学）
推荐系统帮助法律专业人士找到相关文献来支持他们的案件。尽管它的重要性的专业，法律应用并没有反映在推荐系统和表示学习研究的最新进展。同时，法律推荐系统通常在没有任何公共基准数据集的情况下在小规模用户研究中进行评估。因此，这些研究的重现性有限。为了解决研究与实践之间的差距，我们探索了一套国家的最先进的文件表示方法检索语义相关的美国判例法的任务。我们评估基于文本的（例如，fastText、Transformers）、基于引用的（例如，DeepWalk，Poincaré）和混合方法。我们使用两种银标准对2，964份文件进行了注释，共比较了27种方法。银标准是从Open Case Book和Wikispecies新创建的，可以在开放许可下重复使用，以促进可重复性。我们的实验表明，来自平均fastText单词向量（在法律语料库上训练）的文档表示产生了最好的结果，紧随其后的是庞加莱引用嵌入。以混合方式组合fastText和Poincaré进一步改善了整体结果。除了整体性能外，我们还根据文档长度，引用计数和建议的覆盖范围分析了这些方法。我们在https://github.com/malteos/legal-document-similarity/上公开我们的源代码、模型和数据集。
2021-04-28 cs.CL cs.IR
Integrated Node Encoder for Labelled Textual Networks
大量的工作已经实施，利用内容增强的网络嵌入模型，很少关注节点的标记信息。虽然TriDNR通过将节点标签视为节点属性来利用节点标签，但它未能使用标记信息来丰富未标记的节点向量，这导致与现有的无监督文本网络嵌入模型相比，测试集上的分类结果较弱。在这项研究中，我们设计了一个集成的节点编码器（INE）的文本网络，这是联合训练的基于结构和基于标签的目标。因此，节点编码器不仅保留了网络文本和结构的完整知识，而且还保留了标记信息。此外，INE允许通过输入节点内容为未标记的节点创建标签增强向量。我们的节点嵌入在两个公共引文网络，即Cora和DBLP上的分类任务中实现了最先进的性能，分别将基准提高了10.0%和12.1%，训练率为70%。此外，提出了一个可行的解决方案，将我们的模型从文本网络推广到更广泛的网络。
2022-05-10 cs.CL
IDGenRec: LLM-RecSys Alignment with Textual ID Learning
Rutgers University（罗格斯大学）
针对生成式推荐中物品ID编码难题，提出IDGen方法生成语义文本ID，实现LLM与推荐系统对齐，在序列推荐任务上性能超越现有模型，且跨平台零样本基础模型性能可媲美监督训练的传统推荐模型。
2024-05-17 cs.AI cs.CL cs.IR
Triple Modality Fusion: Aligning Visual, Textual, and Graph Data with Large Language Models for Multi-Behavior Recommendations
Walmart Global Tech（沃尔玛全球技术部门）
针对多行为推荐中单一数据源表征不足的问题，提出 TMF 框架，利用 LLM 对齐并融合视觉、文本与异构图三种模态，实验与消融验证了其推荐性能。
2025-02-16 cs.AI cs.CL cs.IR
Automatic Detection of Reuses and Citations in Literary Texts
University Pierre and Marie Curie（皮埃尔和玛丽·居里大学）；Université Paris-Sorbonne（巴黎索邦大学）；Université Charles de Gaulle, Lille 3（夏尔·戴高乐大学里尔三大）
四十多年来，现代文学理论（Compagnon，1979）一直坚持释义、重写、引用、相互借用和任何形式的相互贡献的作用。互文性、互文性、超文/下文性等概念在七八十年代被引入来研究这些现象。对这些参考文献的仔细分析对于评估创作者自愿引入的与他/她的主人的距离特别感兴趣。Phoebus是一个合作项目，让皮埃尔和玛丽居里大学（LIP 6-UPMC）的计算机科学家与巴黎索邦大学的文学团队合作，旨在开发利用现代计算机科学技术进行文学研究的有效工具。在这种情况下，我们已经开发了一个软件，自动检测和探索网络的文本重用在古典文学。本文介绍的原则是基于这个程序，已经取得的重大成果，并在不久的将来的前景。
2014-04-11 cs.CL cs.DL
Textual Explanations and Critiques in Recommendation Systems
École polytechnique fédérale de Lausanne（洛桑联邦理工学院）；University of California, San Diego（加州大学圣地亚哥分校）；University of Toronto（多伦多大学）
人工智能和机器学习算法已经变得无处不在。虽然它们提供了广泛的好处，但它们在决策关键领域的采用受到缺乏可解释性的限制，特别是文本数据。此外，随着可用数据比以往任何时候都多，解释自动预测变得越来越重要。一般来说，用户发现很难理解底层的计算过程并与模型交互，特别是当模型无法正确生成结果或解释时。这个问题凸显了用户越来越需要更好地理解模型的内部工作原理，并控制他们的行为。本论文着重于解决这一需求的两个基本挑战。第一个涉及解释生成：以可扩展和数据驱动的方式从文本文档中推断高质量的解释。第二个挑战在于使解释具有可操作性，我们称之为批评。本文研究了自然语言处理和推荐任务中的两个重要应用。总体而言，我们证明了可解释性并不是以两个相应应用程序的性能降低为代价的。我们的框架也适用于其他领域。本论文提出了一种有效的方法来缩小人工智能的承诺与实践之间的差距。
2023-01-26 cs.CL cs.IR cs.LG
RALLRec: Improving Retrieval Augmented Large Language Model Recommendation with Representation Learning
Tsinghua University（清华大学）；City University of Hong Kong（香港城市大学）；Dongguan University of Technology（东莞理工学院）；Alibaba Group（阿里巴巴集团）；City University of Hong Kong Shenzhen Research Institute（香港城市大学深圳研究院）
针对现有RAG推荐方法依赖文本语义导致相关项目纳入不足的问题，提出RALLRec，通过LLM生成详细项目描述增强文本语义，联合学习文本与协同语义并引入重排序捕捉用户偏好动态，在三个数据集上验证了有效性。
2025-02-11 cs.CL cs.IR
HalluCiteChecker: A Lightweight Toolkit for Hallucinated Citation Detection and Verification in the Era of AI Scientists
Nara Institute of Science and Technology（奈良科学技術大學）
本文提出HalluCiteChecker，通过NLP任务检测和验证科学论文中的幻觉引用，提供轻量级工具包以减轻审稿人负担，支持系统预审和出版检查。
2026-04-29 cs.AI cs.CL cs.DL
unarXive 2022: All arXiv Publications Pre-Processed for NLP, Including Structured Full-Text and Citation Network
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
本文发布 unarXive 2022 数据集，基于既有流程改进并预处理 190 万篇、跨 32 年的 arXiv 文献，提供结构化全文、完整引用网络及相关 NLP 任务数据。
2023-03-27 cs.CL cs.DL
GraphLoRA: Structure-Aware Low-Rank Adaptation for Large Language Model Recommendation
Anhui University（安徽大学）；Hefei University（合肥大学）；University of Science and Technology of China（中国科学技术大学）
提出GraphLoRA框架，通过在低秩适配路径中嵌入可训练的图消息传递网络，实现结构信号传播，从而深度融合图结构与文本语义，提升LLM推荐性能。
2026-04-20 cs.AI cs.CL
Bridging Textual Profiles and Latent User Embeddings for Personalization
University of Notre Dame（诺特大学）；Google（谷歌）
本文提出BLUE框架，通过结合语言基用户特征与嵌入基推荐目标，弥合可解释性文本特征与判别性潜在嵌入之间的差距，实验证明其在零样本序列推荐中优于基线方法。
2026-05-07 cs.CL cs.IR
Zero-Shot Recommendations with Pre-Trained Large Language Models for Multimodal Nudging
Lirio, LLC（Lirio有限责任公司）；Skoltech（斯科尔科沃科学技术研究院）
提出一种零样本多模态推荐方法，将各模态输入转为文本描述并用预训练LLM生成语义嵌入，通过相似度计算完成推荐，无需额外训练。
2023-10-01 cs.AI cs.CL cs.IR
Hallucinate or Memorize? The Two Sides of Probabilistic Learning in Large Language Models
Meijo University（名古屋大学）
针对LLM在引文推荐中存在虚构不存在论文的问题，本研究假设引文数量可代理训练数据冗余，通过GPT-4.1实验发现引文数量与事实准确性高度相关，超千次被引论文几乎被逐字记忆且相似内容会引发记忆干扰，揭示了LLM概率学习中生成与记忆的两面性。
2025-11-12 cs.AI cs.CL
Combining topic modelling and citation network analysis to study case law from the European Court on Human Rights on the right to respect for private and family life
University of Groningen（格罗宁根大学）
本研究针对欧洲人权法院《欧洲人权公约》第8条相关判例，结合主题建模与引用网络分析技术，在人工标注的驱逐类判例数据集上验证了该组合方法在查找和分组判例上的更优效果，为法律研究者提供了高效的判例分析工具。
2024-01-19 cs.CL cs.DL cs.IR
LLM-Enhanced Linear Autoencoders for Recommendation
Sungkyunkwan University（成均馆大学）
提出L3AE，首个将LLM集成到线性自编码器的推荐模型，通过两阶段闭式解优化融合文本语义与协同信号，在三个基准上显著超越现有方法。
2025-08-26 cs.AI cs.CL cs.IR
Interacting with Explanations through Critiquing
École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；Swisscom（瑞士电信）
使用个性化的解释来支持推荐已被证明可以增加信任和感知质量。然而，为了实际获得更好的推荐，需要有一种方法让用户通过与解释交互来修改推荐标准。我们提出了一种新的技术，使用方面标记，学会从评论文本中生成个性化的建议解释，我们表明，人类用户显着更喜欢这些解释比那些产生的国家的最先进的技术。我们的工作最重要的创新是，它允许用户通过批评文本解释来对推荐做出反应：删除（对称添加）他们不喜欢或不再相关的某些方面（对称添加）。系统根据评论更新其用户模型和所得到的推荐。这是基于一种新的无监督的批评方法，用于单步骤和多步骤的批评与文本解释。两个真实世界的数据集上的实验表明，我们的系统是第一个实现良好的性能，在适应多步critiquing表达的偏好。
2022-01-12 cs.CL cs.LG stat.ML
Stealthy Attack on Large Language Model based Recommendation
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）；Northeastern University（东北大学）
本研究揭示了基于LLM的推荐系统因侧重文本内容而存在的新型安全漏洞，提出一种仅需在测试阶段细微修改物品文本即可显著提升其曝光度且不影响整体性能的隐蔽攻击方法。
2024-06-05 cs.AI cs.CL cs.IR
Augmenting Holistic Review in University Admission using Natural Language Processing for Essays and Recommendation Letters
Cornell University（康奈尔大学）
本研究评估了在大学录取预测中排除受保护属性对模型性能和多样性的影响，发现引入基于TF-IDF和LDA的文本信息仅能部分恢复性能，无法完全弥补受保护属性缺失带来的损失。
2023-06-30 cs.AI cs.CL cs.LG
Determining sentiment in citation text and analyzing its impact on the proposed ranking index
Jadavpur University（贾达普大学）；University of Maryland, College Park（马里兰大学帕克分校）
每当人类相互交流时，他们都会交换或表达意见，情感和情绪。这些意见可以通过文字、语音或图像来表达。对这些情绪的分析是当今研究者的热门研究领域之一。情感分析，也称为意见挖掘，试图将这些情感或意见识别或分类为两大类-积极和消极。近年来，科学界对分析各种社交媒体平台上可用的文本数据中的情感非常感兴趣。在社交媒体对话、博客文章、报纸文章和各种叙事文本方面做了大量工作。然而，当涉及到从科学论文中识别情绪时，由于观点的隐含和隐藏性质，研究人员面临着一些困难。默认情况下，引用实例在情感上被认为是内在积极的。流行的排名和索引范式往往忽视了引用时的意见。在本文中，我们试图实现三个目标。首先，我们尝试识别引文文本中的主要情绪，并为实例分配一个分数。为此，我们使用了统计分类器。其次，我们提出了一个新的指数（我们将称之为M指数），它考虑到定量和定性因素，同时评分的文件。第三，我们开发了一个基于M指数的研究论文排名。我们还试图解释M指数如何影响科学论文的排名。
2017-07-05 cs.CL cs.DL cs.IR
