Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
PaperFlow는 사용자의 변화하는 관심사를 반영하여 일일 논문 스트림을 프로파일링, 추천, 적응시키는 새로운 프레임워크를 제안합니다. 종단적 사용자-일 벤치마크를 통해 기존 베이스라인보다 높은 행동 정렬과 인간 평가 점수를 입증했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기과학 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.