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
🧭 科研论文流推荐 · 画像漂移自适应
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（4 点）
- 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。