研究人员将无需按用户训练即可将传入论文分配给用户特定层级的任务形式化为个性化层级论文路由（PHPR）。他们提出了 PaperRouter-Agent，这是一种免训练的 LLM 代理，其路由决策基于文件夹成员而非仅依赖文件夹名称。

  • 该代理缩小候选层级并检索文件夹特定的证据。
  • 它通过检查成员论文来验证匹配度，并结合来自过去用户拒绝的相似度门控反馈。
  • 在真实个人图书馆中，它将 Recall@1 从 0.39 提升至 0.61，将 Recall@3 从 0.57 提升至 0.83。
  • 最大的提升出现在由元数据（如会议或年份）定义的组织文件夹上，单样本方法在此类文件夹上失效（Recall@1 从 0.09 提升至 0.50）。
  • 在 LaMP-2 基准测试中，准确率从 44.5% 提升至 51.5%，相比单样本基线实现了 +9.0 的 macro-F1 提升。

该方法通过准确处理不断演变且私密的文件夹结构，为组织个人图书馆提供了低成本的实际应用。