Il Framework SciFACE Consente una Diversità Controllabile nelle Raccomandazioni di Articoli Attraverso il Reranking Basato su Aspetti Specifici

Un innovativo sistema di reranking denominato SciFACE (Scientific Faceted Cross-Encoder) è stato sviluppato per superare le carenze degli strumenti esistenti di raccomandazione di articoli, concentrandosi su due aspetti distinti: Background (il problema affrontato) e Method (l'approccio risolutivo). È stato addestrato su 5.891 coppie autentiche di articoli seed-candidate, etichettate da GPT-4o-mini in base a criteri specifici per ciascun aspetto, con queste etichette corroborate da valutazioni umane. Sul benchmark CSFCube, SciFACE ha registrato un punteggio NDCG@20 di 70,63 per le raccomandazioni di Background, superando SPECTER di 5,9 punti. Per le raccomandazioni di Method, ha raggiunto 49,06 NDCG@20, superando SPECTER di 31,1 punti. Rispetto a FaBLE, che non disponeva di pre-addestramento sulle citazioni, SciFACE ha migliorato il NDCG@20 di Method di 4,1 punti utilizzando un numero molto inferiore di esempi di addestramento—5.891 coppie etichettate invece di 40.000 aumentazioni sintetiche. Questa ricerca, identificata da arXiv come 2604.16329v1, evidenzia l'efficienza delle etichette di aspetto fondate di alta qualità rispetto a quelle sintetiche. Il framework consente agli utenti di indicare le ragioni delle somiglianze tra articoli piuttosto che ricevere un singolo punteggio di similarità misto.