Problem

現有的學術論文推薦研究多將其視為針對固定候選集的靜態排名問題，忽略了科研閱讀實際上是一個每日持續進行、興趣會隨時間位移且回饋不斷累積的長時序動態行為。

Method

開發 PaperFlow 框架，將流程拆解為三個耦合階段：首先是「特徵剖析」，從異質冷啟動證據建立結構化檔案；其次是「動態推薦」，在顯示配額下聚合多重訊號進行每日串流排名；最後是「回饋適應」，根據語義回饋更新使用者狀態以捕捉興趣漂移。此外，本研究建立了一個包含 1,200 個使用者天數片段的大型時序基準測試集，並制定盲測人工評估協議。

Results

實驗結果顯示，在與五種科學推薦基準模型的對比中，PaperFlow 在基於神諭（Oracle）的排名表現、模擬閱讀選擇的行為一致性，以及盲測人工評估得分上均取得最佳成績，證明其能精準對齊專家判斷。

Significance

此研究突破了傳統靜態推薦的框架，提供了一套系統性的方案來處理科研資訊流的動態性，不僅能協助研究者更有效率地追蹤領域進展，也為開發具備時間感知能力的推薦系統奠定了標準化測試基礎。