GraphReview：通过基于 LLM 的图证据扩展进行科学论文评估

科学论文评估通常不仅涉及评估稿件本身，还涉及将其与同期研究和先前文献联系起来。然而，现有的基于 LLM 的方法通常对这些信号进行单独建模，并且缺乏用于汇总跨论文评论证据的统一机制。我们提出了 $\textbf{GraphReview}$，一个基于图的 LLM 框架，它将论文评估制定为语义论文图上的推理时间图证据扩展。该图共同捕捉了内在质量、同时期论文之间的同步链接以及与先前工作的历时链接。 LLM 用于估计节点级质量先验，并通过成对论文比较生成边缘级比较证据，而个性化 PageRank 则集成这些结构化信号以进行质量排名、决策预测和评论生成。为了产生更高质量的图证据，我们提出了奖励诱导的最大似然目标来训练 LLM 主干网。实验表明，GraphReview 始终优于最强的基线，在决策和排名指标上平均提高了 29.7%，其中准确性提高了 23.7%，Spearman $ρ$ 提高了 57.6%。它还生成更高质量的评论文本，并跨时间段和会议地点进行有效概括。