Peneliti telah memformalkan tugas penugasan makalah masuk ke hierarki spesifik pengguna tanpa pelatihan per pengguna sebagai routing makalah hierarkis yang dipersonalisasi (PHPR). Mereka mengusulkan PaperRouter-Agent, agen LLM bebas pelatihan yang mendasarkan keputusan routing pada anggota folder daripada hanya nama folder.
- Agen mempersempit hier kandidat dan mengambil bukti spesifik folder.
- Agen memverifikasi kecocokan dengan memeriksa makalah anggota dan mengintegrasikan umpan balik gerbang kesamaan dari penolakan pengguna sebelumnya.
- Pada perpustakaan pribadi nyata, Recall@1 meningkat dari 0,39 menjadi 0,61 dan Recall@3 dari 0,57 menjadi 0,83.
- Peningkatan terbesar terjadi pada folder organisasi yang didefinisikan oleh metadata seperti venue atau tahun, di mana metode single-shot runtuh (Recall@1 dari 0,09 menjadi 0,50).
- Pada benchmark LaMP-2, akurasi meningkat dari 44,5% menjadi 51,5%, menghasilkan macro-F1 +9,0 dibandingkan baseline single-shot.
Pendekatan ini memberikan penggunaan praktis berbiaya rendah untuk mengorganisasi perpustakaan pribadi dengan menangani struktur folder yang berkembang dan privat secara akurat.