精选理由
做学术影响力预测或科研评价的团队，这篇论文直接对比了图模型和LLM两种路线，给出了冷启动场景下的最佳实践——有向引用图+文本嵌入组合最稳，GraphRAG未必比简单提示好。值得点开看具体实验设计和结论。
该研究提出将科学论文影响力预测建模为队列归一化的top-P%分类任务，并在统一框架下比较了基于图模型和基于大语言模型的方法。研究者构建了时序约束下的引用图和文本相似度图，生成Node2Vec表示，并与OpenAI文本嵌入结合。最佳监督配置结合有向引用图和文本嵌入，AUC达到约0.84-0.85。同时评估了基于GPT 5.5和5.4 Nano的GraphRAG设置，虽然LLM方法性能高（AUC达0.87），但检索上下文并未持续提升效果，仅用目标论文提示往往与GraphRAG提示表现相当。结论是结构和文本信号在监督预测中互补，但检索增强需谨慎评估。
AI 翻译 · 中文
该研究提出将科学论文影响力预测建模为队列归一化的top-P%分类任务，并在统一框架下比较了基于图模型和基于大语言模型的方法。研究者构建了时序约束下的引用图和文本相似度图，生成Node2Vec表示，并与OpenAI文本嵌入结合。最佳监督配置结合有向引用图和文本嵌入，AUC达到约0.84-0.85。同时评估了基于GPT 5.5和5.4 Nano的GraphRAG设置，虽然LLM方法性能高（AUC达0.87），但检索上下文并未持续提升效果，仅用目标论文提示往往与GraphRAG提示表现相当。结论是结构和文本信号在监督预测中互补，但检索增强需谨慎评估。
Identifying which newly published scientific papers are likely to become highly cited is important for prioritizing research attention, supporting editorial decisions, and guiding the allocation of scientific resources, …