연구자들은 사용자별 학습 없이 도착한 논문을 사용자 특정 계층 구조에 할당하는 작업을 개인화 계층적 논문 라우팅(PHPR)으로 공식화했습니다. 그들은 폴더 이름뿐만 아니라 폴더 구성원에게 근거를 두고 라우팅 결정을 내리는 훈련이 필요 없는 LLM 에이전트인 PaperRouter-Agent를 제안합니다.

  • 에이전트는 후보 계층을 좁히고 폴더별 증거를 검색합니다.
  • 구성원 논문을 검토하여 적합성을 검증하고 과거 사용자 거절에서 유사성 게이트 피드백을 통합합니다.
  • 실제 개인 라이브러리에서 Recall@1은 0.39에서 0.61로, Recall@3은 0.57에서 0.83로 향상됩니다.
  • 가장 큰 개선은 간행물이나 연도 같은 메타데이터로 정의된 조직 폴더에서 발생하며, 여기서 단일 샷 방법은 붕괴합니다(Recall@1이 0.09에서 0.50으로).
  • LaMP-2 벤치마크에서 정확도는 44.5%에서 51.5%로 향상되어 단일 샷 기준선 대비 +9.0의 macro-F1을 제공합니다.

이 접근 방식은 진화하는 비공개 폴더 구조를 정확하게 처리함으로써 개인 라이브러리 조직화를 위한 저비용 실용적 사용을 제공합니다.