論文の概要: Local Citation Recommendation Without Graph Signals

• arxiv url: http://arxiv.org/abs/2610.15832v1
• Date: Sun, 11 Oct 2026 18:35:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 15:46:28.326235
• Title: Local Citation Recommendation Without Graph Signals
• Title（参考訳）: グラフ信号のない局所的引用
• Abstract要約: 新しいデータセットであるLCRC(Local Citation Recommendation)を提案する。 天体物理学のレビュー論文から得られた14,735の科学的ステートメントが含まれており、それぞれに1つ以上の引用対象があり、完全なテキストはAPI経由でアクセス可能である。 本研究では,Recall@25の8.0%,NDCG@25の6.9%の改善を達成しつつ,引用グラフバイアスを回避するための引用レコメンデーションシステムを開発した。
• 参考スコア（独自算出の注目度）: 0.8401669917818326
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Resolving correct citations can be a time-consuming task for research writers. We address local citation recommendation (LCR), where the goal is to retrieve appropriate references for a given sentence. Web tools generally depend on the existing citation graph, which may bias results toward citation count or more recent publications. LCR research using full paper texts has been limited by the lack of publicly available data. We present a new dataset, the Local Citation Recommendation Corpus (LCRC), containing 14,735 scientific statements derived from astrophysics review papers, each with one or more citation targets whose full text is accessible via API. Using this dataset we systematically compare retrieval methods and develop a citation recommendation system that avoids citation graph bias while achieving 8.0% improvement in Recall@25 and 6.9% improvement in NDCG@25 over dense retrieval baselines without model fine-tuning. To support reproducibility, we make our code and dataset publicly available.
• Abstract（参考訳）: 正しい引用を解くことは、研究者にとって時間を要する作業である。 局所引用レコメンデーション(LCR)には,ある文に対する適切な参照を取得することが目的である。 Webツールは一般に既存の引用グラフに依存しており、引用数やより最近の出版物に偏っている可能性がある。 論文全文を用いたLCR研究は、公開データの不足により制限されている。 天体物理学レビュー論文から得られた14,735の科学的ステートメントを収録した新たなデータセットであるLCRC(Local Citation Recommendation Corpus)を提案する。 このデータセットを用いて,検索手法を体系的に比較し,参照グラフバイアスを回避し,Recall@25の8.0%,NDCG@25の6.9%の改善を実現した。 再現性をサポートするため、コードとデータセットを公開しています。

関連論文リスト

• RenoBench: A Citation Parsing Benchmark [0.764971671709743]
  RenoBenchは機械可読な引用解析のためのベンチマークである。 SciELO、Redalyc、Public Knowledge Project、Open Research Europeの4つの出版エコシステムでリリースされたPDFから派生している。 複数の言語、パブリッシュタイプ、プラットフォームにまたがる1万の引用のデータセットに対して、自動検証と機能ベースのサンプリングを適用する。
  論文  参考訳（メタデータ） (2026-03-26T16:52:31Z)
• CiteAudit: You Cited It, But Did You Read It? A Benchmark for Verifying Scientific References in the LLM Era [51.63024682584688]
  大規模言語モデル (LLM) は新たなリスクを導入している。 本稿では,科学文献における幻覚的引用のための総合的なベンチマークおよび検出フレームワークについて紹介する。 我々のフレームワークは、精度と解釈可能性の両方において、先行手法を著しく上回っている。
  論文  参考訳（メタデータ） (2026-02-26T19:17:39Z)
• SCIRGC: Multi-Granularity Citation Recommendation and Citation Sentence Preference Alignment [2.0383262889621867]
  本稿では,引用記事を自動的に推薦し,引用箇所の引用文を生成するSciRGCフレームワークを提案する。 この枠組みは,(1)著者の引用意図を正確に識別し,関連する引用論文を見つける方法,(2)人間の嗜好に沿った高品質な引用文を生成する方法の2つの重要な課題に対処する。
  論文  参考訳（メタデータ） (2025-05-26T15:09:10Z)
• SelfCite: Self-Supervised Alignment for Context Attribution in Large Language Models [51.90867482317985]
  SelfCiteは、生成されたレスポンスの文に対して、きめ細かい文レベルの引用を生成する、自己教師型アプローチである。 SelfCiteの有効性は、LongBench-Citeベンチマークにおいて、引用F1を5.3ポイントまで増やすことによって示される。
  論文  参考訳（メタデータ） (2025-02-13T18:55:13Z)
• ALiiCE: Evaluating Positional Fine-grained Citation Generation [54.19617927314975]
  本稿では,微細な引用生成のための最初の自動評価フレームワークであるALiiCEを提案する。 我々のフレームワークはまず、文のクレームを依存性分析によって原子クレームに解析し、次に原子クレームレベルでの引用品質を計算する。 複数大言語モデルの2つの長文QAデータセット上での位置的きめ細かな引用生成性能を評価する。
  論文  参考訳（メタデータ） (2024-06-19T09:16:14Z)
• ILCiteR: Evidence-grounded Interpretable Local Citation Recommendation [31.259805200946175]
  本稿では,特定の論文を推薦するための証拠を対象とする,根拠に基づく局所引用推薦タスクを紹介する。 単にレコメンデーションを出力する過去の定式化とは異なり、ICCiteRはエビデンスのリストとレコメンデーションペーパーのペアを検索する。 本研究では,エビデンスに基づく局所的引用推薦タスクのための新しいデータセットを提供し,提案手法の有効性を実証する。
  論文  参考訳（メタデータ） (2024-03-13T17:38:05Z)
• CiteBench: A benchmark for Scientific Citation Text Generation [69.37571393032026]
  CiteBenchは引用テキスト生成のベンチマークである。 CiteBenchのコードはhttps://github.com/UKPLab/citebench.comで公開しています。
  論文  参考訳（メタデータ） (2022-12-19T16:10:56Z)
• Local Citation Recommendation with Hierarchical-Attention Text Encoder and SciBERT-based Reranking [6.456347800676685]
  BM25はプレフェッチの難しいアプローチであることが判明した。 本稿では,階層型アテンションネットワークによって構築されたテキスト埋め込みの近傍探索によるプレフェッチについて検討する。 SciBERTリランカと組み合わせて、局所的な引用推薦タスクを微調整すると、階層的アテンションエンコーダ(Hatten)は、与えられた候補がリランクされる前に、高いプレフェッチリコールを行う。
  論文  参考訳（メタデータ） (2021-12-02T13:20:26Z)
• Enhancing Scientific Papers Summarization with Citation Graph [78.65955304229863]
  引用グラフを用いて科学論文の要約作業を再定義します。 我々は,141kの研究論文を異なる領域に格納した,新しい科学論文要約データセットセマンティックスタディネットワーク(ssn)を構築した。 我々のモデルは、事前訓練されたモデルと比較して競争性能を達成することができる。
  論文  参考訳（メタデータ） (2021-04-07T11:13:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。