과학 논문 추천은 일반적으로 고정된 후보 집합에 대한 정적 순위(static ranking)로 평가되지만, 실제 과학적 독서는 관심사가 변화하고 피드백이 축적되는 일상적이고 종단적인(longitudinal) 과정으로 전개됩니다. 우리는 이를 세 가지 결합된 단계로 구성하는 프레임워크인 PaperFlow를 소개합니다: 첫째, 이질적인 콜드 스타트(cold-start) 증거로부터 구조화되고 검사 가능한 학술 프로파일을 구축하고 유지하는 프로파일링(Profiling); 둘째, 고정된 디스플레이 예산(display budget) 하에서 다중 신호 집계(multi-signal aggregation)를 통해 각 날짜별 논문 스트림의 순위를 매기는 추천(Recommending); 셋째, 의미적으로 구별되는 피드백 신호로부터 사용자 상태를 업데이트하고 일자에 따른 관심사 표류(interest drift)를 모델링하는 적응(Adapting)입니다. 나아가 우리는 공유된 시간적 정보 경계(temporal information boundary) 하에서 사용자, 날짜, 후보 풀, 가시적 입력 및 숨겨진 시뮬레이션 관련성 레이블을 고정한 종단적 사용자-일(user-day) 벤치마크를 정의합니다. 이 벤치마크는 24명의 시뮬레이션된 연구 사용자, 50개의 일일 논문 스트림, 1,200개의 사용자-일 에피소드, 20,727개의 고유 논문, 그리고 497,448개의 에피소드-논문 기록을 포함합니다. 또한 자동화된 지표와 전문가 판단 사이의 정렬(alignment)을 검증하기 위해 블라인드 인간 평가 프로토콜(blind human-evaluation protocol)을 명시합니다. 5개의 과학 추천 베이스라인(baselines)을 대상으로 한 실험 결과, PaperFlow는 가장 강력한 오라클 기반 순위(oracle-based ranking), 시뮬레이션된 독서 선택과의 가장 높은 행동 정렬(behavioral alignment), 그리고 가장 우수한 블라인드 인간 평가 점수를 달성했습니다.