PaperFlow: Profiling, Recommending, and Adapting Across Daily Paper Streams
PaperFlow：面向日常论文流的三阶段画像-推荐-自适应框架
Key Laboratory of Computing Power Network and Information Security, Ministry of Education, Shandong Computer Science Center (National Supercomputer Center in Jinan), Qilu University of Technology (Shandong Academy of Sciences) · University of Chinese Academy of Science · Shanghai Artificial Intelligence Laboratory
提出面向日常论文流的三阶段框架，通过动态画像、多信号排序和兴趣漂移自适应提升纵向推荐效果
📌 工作参考价值
- 日常流式推荐场景可借鉴三阶段架构：Profiling阶段将冷启动证据转化为结构化兴趣画像，电商中可从用户行为序列、搜索词等构建动态画像，避免静态特征失效。
- Recommending阶段的多信号聚合排序在固定曝光预算下平衡相关性与多样性，类似电商信息流或消息推送，可以将CTR预估、多样性指标、时效性等信号加权融合，并引入曝光预算控制。
- Adapting阶段利用语义不同的反馈信号（点击、忽略、收藏等）增量更新用户状态，建模兴趣漂移，适合电商中基于用户实时行为的在线学习系统，可与类似EWC或记忆回放的方法结合防止遗忘。
- 提出的纵向用户-日基准设计思路可直接复用：固定时间窗口、用户、候选池，模拟每日决策与累积反馈，评估系统在连续交互下的长期表现，比单次离线评估更贴近线上效果。
动机：学术论文推荐通常被简化为静态候选集上的单次排序，但真实场景中研究者每天面对新论文流，阅读时间有限，兴趣随时间漂移，需要系统能够动态适应用户状态变化。现有方法缺乏对纵向、日常交互的建模。
方法：提出PaperFlow框架，将推荐过程解耦为三个循环阶段：Profiling从冷启动时的异质证据（如已发表论文、关键词）构建结构化、可解释的学术画像；Recommending在每个日期对特定论文流进行多信号聚合排序，在固定展示预算下平衡相关性、多样性和时效性；Adapting利用语义不同的反馈信号（如点击、忽略）增量更新用户状态，显式建模兴趣漂移，避免信息覆盖。同时构建了一个纵向用户-日基准，包含24个模拟研究者、50天论文流、1200个用户-日episode，并设计人工盲评协议验证指标对齐。
结果：与五个学术推荐基线相比，PaperFlow在基于oracle的排序指标、模拟阅读选择的行为对齐度以及人工盲评得分上均达到最优，证明了长周期、自适应框架在流式论文推荐中的有效性。