Исследователи формализовали задачу назначения поступающих статей иерархии, специфичной для пользователя, без обучения на уровне каждого пользователя, как персонализированная иерархическая маршрутизация статей (PHPR). Они предлагают PaperRouter-Agent — обучаемый агент LLM, который привязывает решения о маршрутизации к членам папок, а не только к их названиям.
- Агент сужает кандидатскую иерархию и извлекает доказательства, специфичные для папки.
- Он проверяет соответствие, изучая статьи-члены папки, и использует обратную связь от прошлых отказов пользователя, управляемую затвором по сходству.
- На реальных личных библиотеках он повышает Recall@1 с 0.39 до 0.61 и Recall@3 с 0.57 до 0.83.
- Наибольшие улучшения наблюдаются в организационных папках, определенных метаданными, такими как место публикации или год, где одношаговые методы дают сбой (Recall@1 с 0.09 до 0.50).
- На бенчмарке LaMP-2 точность улучшается с 44.5% до 51.5%, что дает +9.0 macro-F1 по сравнению с одношаговым базовым уровнем.
Этот подход обеспечивает недорогое практическое применение для организации личных библиотек за счет точной обработки эволюционирующих и приватных структур папок.