PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.07454v1cs.IR

PaperFlow: 일일 논문 스트림에 걸친 프로파일링, 추천, 적응

PaperFlow: Profiling, Recommending, and Adapting Across Daily Paper Streams

과학 논문 추천은 일반적으로 고정된 후보 집합에 대한 정적 순위화로 평가되지만, 실제 과학 논문 읽기는 관심이 변화하고 피드백이 누적되는 일일적·종단적(longitudinal) 과정으로 전개된다. 우리는 이를 세 가지 결합된 단계로 구조화하는 프레임워크인 PaperFlow를 제안한다: 이질적인 콜드 스타트(cold-start) 증거로부터 구조화되고 검토 가능한 학술 프로파일을 구축·유지하는 프로파일링; 고정된 표시 예산(display budget) 하에서 다중 신호 집계를 통해 날짜별 논문 스트림을 순위화하는 추천; 의미적으로 구별되는 피드백 신호로부터 사용자 상태를 갱신하고 날짜에 따른 관심 변화(interest drift)를 모델링하는 적응. 우리는 공유된 시간 정보 경계(temporal information boundary) 하에서 사용자, 날짜, 후보 풀, 가시적 입력, 숨겨진 시뮬레이션 관련성(relevance) 레이블을 고정하는 종단 사용자-일(user-day) 벤치마크를 추가로 정의한다. 이 벤치마크에는 24명의 시뮬레이션 연구 사용자, 50개의 일일 논문 스트림, 1,200개의 사용자-일 에피소드, 20,727편의 고유 논문, 497,448건의 에피소드-논문 기록이 포함된다. 또한 자동 지표와 전문가 판단 간 정렬(alignment)을 검증하기 위한 블라인드 인간 평가 프로토콜을 명시한다. 다섯 가지 과학 논문 추천 베이스라인과의 실험에서 PaperFlow는 가장 강력한 오라클 기반 순위화, 시뮬레이션 독서 선택과의 가장 높은 행동적 정렬, 최고의 블라인드 인간 평가 점수를 달성함을 보여준다.