CLEAR-X：一种结合可解释重排的对比学习方法，用于学术审稿人推荐

《Chaos, Solitons & Fractals》：CLEAR-X: Contrastive learning with explainable re-ranking for academic reviewer recommendation

　　冉一军|李晓鹏|黄俊杰|艾明树|孙飞|博扬·克雷布斯|贾涛

摘要：学术投稿数量的指数级增长给准确匹配稿件与合适审稿人带来了巨大挑战，尤其是在规模庞大、动态变化的科研生态系统中，手动分配已不可行。作为复杂网络以及跨学科研究（如复杂科学、信息技术和医学领域）中的典型问题，审稿人推荐旨在构建稿件、审稿人及学术互动之间的潜在匹配关系。现有的推荐系统存在三个关键缺陷：（1）交互稀疏性限制了监督学习的有效性；（2）决策过程不透明，削弱了人们对其的信任；（3）稿件内容与审稿人专业能力之间存在语义错位。本文提出了一种名为CLEAR-X的框架，即用于学术审稿人推荐的对比学习与解释方法。该框架整合了多视角语义表示学习、基于图的交互建模、对比对齐以及基于大语言模型的可解释重排序功能。为解决交互稀疏性问题，我们采用了跨结构与语义视角的多视角对比学习策略，并通过基于动量的负采样机制加以优化。为解决决策不透明问题，我们引入了基于大语言模型的重排序模块，能够生成自然语言形式的解释，从而提高透明度与可解释性。为解决语义错位问题，我们利用大语言模型生成领域特定的语义标签，从作者发表的论文中构建精细化的审稿人画像，以此捕捉复杂的专业能力特征并弥补语义差距。在真实数据集上的大量实验表明，CLEAR-X的性能始终优于现有的最先进方法，在Hit Rate@20指标上相比最强基线提升了14.3%，同时还能提供清晰、易于理解的解释，提升了学术审稿人推荐系统的可信度。除审稿人推荐外，该框架还提供了一种通用方法，可通过整合结构连接性、语义对齐性和可解释推理，来建模复杂网络中的异构关系。