超越纸质分析：用于论文审稿人匹配的结构化分析和评分标准

随着会议提交量的不断增长，准确推荐合适的审稿人已成为一项挑战。大多数现有方法遵循“纸到纸”匹配范例，通过发表历史隐式地代表审稿人。然而，有效的审稿人匹配需要捕获多维专业知识，并且仅与过去论文的文本相似性通常是不够的。为了解决这一差距，我们提出了 P2R，这是一个 无需训练 框架，它从隐式的纸到纸匹配转变为显式的基于配置文件的匹配。 P2R 使用通用 LLM 为提交内容和审阅者构建结构化配置文件，将它们分解为主题、方法和应用程序。基于这些配置文件，P2R 采用从粗到细的管道来平衡效率和深度。它首先执行混合检索，将语义和方面级别的信号相结合，形成高召回率候选池，然后应用基于 LLM 的委员会在严格的规则下评估候选者，整合多维专家观点和整体区域主席视角。 NeurIPS、SIGIR 和 SciRepEval 上的实验表明，P2R 始终优于最先进的基线。消融研究进一步验证了每个组件的必要性。总体而言，P2R 强调了明确、结构化的专业知识建模的价值，并为将 LLM 应用于审稿人匹配提供了实用指导。