PaperRouter-Agent：用于个性化分层纸张路由的基于内容的 LLM 代理

研究人员将他们收集的论文组织到参考管理器中的个人文件夹层次结构中，并将每篇新论文发送到其所属的文件夹中。此任务不同于标准的分层文本分类。用户的文件夹层次结构不是固定的、共享的分类法，而是一种私有的、不断发展的大众分类法，其文件夹含义可能是主题的、速记的、基于场所的或面向过程的，并且通常由已存储在其中的论文定义。我们将此设置形式化为个性化分层纸张路由 (PHPR)：将传入纸张分配到特定于用户的层次结构中的文件夹，而无需针对每个用户进行训练。我们提出 PaperRouter-Agent，一个 无需训练 LLM 代理，它根据文件夹成员而不是单独的文件夹名称来做出路由决策。代理首先缩小候选人层次结构，检索文件夹特定的证据，通过检查成员论文来验证适合性，并结合来自过去用户拒绝的相似性门控反馈。对真实个人图书馆的形成性研究表明，PaperRouter-Agent 将整体 Recall@1 从 0.39 提高到 0.61，将 Recall@3 从 0.57 提高到 0.83，其中由元数据（例如地点或年份）定义的组织文件夹的增益最大，其中单次方法崩溃（Recall@1 0.09 到 0.50）。在公共 LaMP-2 基准测试中，相同的方法将单次基准的准确度从 44.5% 提高到 51.5%（+9.0 宏 F1），同时保持实际使用的低成本。