案例一：AI 推荐审稿人
以前编辑靠关键词和主页找人，现在系统先按语义相似度排一遍，再把判断依据摆到编辑面前。
当时的痛点
规模压力
每天 2000 多篇投稿，每篇都要找多位审稿人。编辑大量时间花在搜索和筛选上。
规则失效
原系统按研究方向关键词召回。关键词对得上，不代表研究内容真的接近。跨学科或者方法不同的稿件，经常被漏掉，或者推来的人不对口。
候选池偏窄
规则能召回的人有限。编辑还是得自己搜，逐个点开主页看，推荐没有省掉多少事。
推荐是怎么排出来的
1
语义召回
先把稿件的 title 和 abstract 向量化，和文章库比语义相似度，取最相关的前 X 篇。文章的作者进入候选池。
2
规则过滤
再按规则剔除有利益冲突、机构或合作关联、伦理争议，以及当前不可用的候选人。
3
相似度重排
剩下的人里，再算他们历史文章和当前稿件的余弦相似度，进行rerank。
4
人工确认
编辑看到的是排序后的列表，加上每个人的信息卡片。确认或邀请由编辑点，系统不会自动发。
编辑看到什么
卡片里有研究方向关键词、过往投稿和审稿记录、h-index、编委过往决定，还有个人主页。
结果
70%
推荐审稿人最终邀请占比
80%
优质审稿报告占比
下一步
- 比较和优化 embedding 模型
- 历史文章的加权方式对比：最新的、最相似的、X篇平均值
- 投稿文本先用 LLM 重写一遍再拿去匹配，看召回能不能更贴近真实研究方向。
- 做「首次邀请」的响应率模型，再试一个模型识别大概率会回信的学者，用它调整邀请顺序。
- 按学者所在时区的历史活跃时间（审稿、投稿、接受），挑出现在适合邀请的人，并在界面上高亮。这条目前对回复率的影响最大。
- 把推荐理由直接写进卡片，而不是只给一个相似度分数。
