[논문] PaperFlow: 일일 논문 스트림 전반의 프로파일링·추천·적응

출처: arXiv - 2606.07454v1

개요

과학 논문 추천은 일반적으로 고정된 후보 집합에 대한 정적 순위로 평가되지만, 실제 과학 독서는 관심이 변하고 피드백이 누적되는 일일·종단적인 과정이다. 우리는 이를 세 가지 상호 연결된 단계로 구성한 프레임워크 PaperFlow를 제안한다.

1. 프로파일링: 이질적인 콜드 스타트 증거로부터 구조화되고 검증 가능한 학술 프로필을 구축·유지한다.
2. 추천: 고정된 표시 예산 하에서 다중 신호를 집계해 날짜별 논문 스트림을 순위 매긴다.
3. 적응: 의미적으로 구분되는 피드백 신호로부터 사용자 상태를 업데이트하고, 일간 관심 변화를 모델링한다.

또한 우리는 사용자, 날짜, 후보 풀, 보이는 입력, 그리고 공유된 시간 정보 경계 하에서 숨겨진 시뮬레이션 관련성 라벨을 고정한 종단 사용자‑일 벤치마크를 정의한다. 이 벤치마크는 24명의 시뮬레이션 연구 사용자, 50개의 일일 논문 스트림, 1,200개의 사용자‑일 에피소드, 20,727개의 고유 논문, 그리고 497,448개의 에피소드‑논문 레코드를 포함한다. 우리는 자동 메트릭과 전문가 판단 간의 정렬을 검증하기 위한 블라인드 인간 평가 프로토콜도 제시한다. 다섯 가지 과학 논문 추천 베이스라인과의 실험 결과, PaperFlow는 가장 높은 오라클 기반 순위, 시뮬레이션 독서 선택과의 최고 행동 정렬, 그리고 최고의 블라인드 인간 평가 점수를 달성한다.

주요 기여

이 논문은 다음 분야의 연구를 제시한다.

• cs.IR
• cs.AI

방법론

자세한 방법론은 전체 논문을 참고하시기 바랍니다.

실용적 함의

본 연구는 cs.IR 분야의 발전에 기여한다.

저자

• Fuqiang Wang
• Song Tan
• Zheng Guo
• Jiaohao Fu
• Xinglong Xu
• Bihui Yu
• Jie Dong
• Zheng Sun
• Siyuan Li
• Jingxuan Wei
• Cheng Tan

논문 정보

• arXiv ID: 2606.07454v1
• 분류: cs.IR, cs.AI
• 발표일: 2026년 6월 5일
• PDF: PDF 다운로드