English(EN) LLM4Impact: Integrating Heterogeneous Information for Scientific Impact Prediction

新的LLM4Impact方法使用异构数据预测科学论文影响力

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-08 04:00

研究人员开发了LLM4Impact，这是一种通过整合不同信息源来预测研究论文未来科学影响力的新颖方法。该方法结合了语义、图和基于LLM的表示，并使用上下文感知门控机制来适应性地加权不同类型的证据。LLM4Impact还包含一个校准模块，以考虑不同领域和时间引用规模的变化。在大型基准数据集上的实验表明，LLM4Impact的性能显著优于现有方法，预测误差有所降低。 AI

影响这项研究可以改进科学进展的跟踪和评估方式，可能影响研究资助和传播策略。

排序理由该集群描述了一篇详细介绍科学影响力预测新方法的最新研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 8 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群描述了一篇详细介绍科学影响力预测新方法的最新研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CL TIER_1 English(EN) · Yong Cao, Markus Flicke, Haoyu He, Katrin Renz, Andreas Geiger · 2026-10-08 04:00

LLM4Impact：整合异构信息以预测科学影响力

arXiv:2610.10138v1 Announce Type: new Abstract: Predicting the future impact of a newly published paper is challenging because it must be inferred from heterogeneous evidence available at publication time. Existing approaches often rely on a single source of information or combin…

本文如何被排名

报道来源 [1]

LLM4Impact：整合异构信息以预测科学影响力

相关实体

相关话题