研究者たちは、ユーザー固有の階層への着信論文の割り当てを、ユーザーごとの学習なしで実現するタスクを、パーソナライズされた階層的論文ルーティング（PHPR）として形式化した。彼らはPaperRouter-Agentを提案する。これはフォルダ名だけでなくフォルダのメンバーに根ざしてルーティング判断を行う、トレーニング不要のLLMエージェントである。

  • エージェントは候補となる階層を絞り込み、フォルダ固有のエビデンスを取得する。
  • メンバー論文を検証することで適合性を確認し、過去のユーザー拒否からの類似性ゲート付きフィードバックを組み込む。
  • 実際の個人ライブラリでは、Recall@1が0.39から0.61に、Recall@3が0.57から0.83に向上する。
  • 最大の改善は、刊行物や年などのメタデータで定義された組織用フォルダにおいて発生し、単一ショット手法が崩壊する状況で（Recall@1が0.09から0.50へ）、効果を示す。
  • LaMP-2ベンチマークでは、精度が44.5%から51.5%に向上し、単一ショットベースラインに対して+9.0のmacro-F1をもたらす。

このアプローチは、進化するプライベートなフォルダ構造を正確に処理することで、個人ライブラリの整理における低コストの実用的な利用を提供する。