論文の概要: PaperRouter-Agent: A Content-Grounded LLM Agent for Personalized Hierarchical Paper Routing

• arxiv url: http://arxiv.org/abs/2607.11564v1
• Date: Mon, 13 Jul 2026 13:47:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.486422
• Title: PaperRouter-Agent: A Content-Grounded LLM Agent for Personalized Hierarchical Paper Routing
• Title（参考訳）: PaperRouter-Agent:Personalized Hierarchical Paper Routingのためのコンテンツ収集型LCMエージェント
• Abstract要約: Paper-Agentは、フォルダ名のみではなく、フォルダメンバのルーティング決定を根拠にしている。 実際のパーソナルライブラリに関するフォーマティブな調査によると、Paper-Agentは全体のRecall@1を0.39から0.61に、Recall@3を0.57から0.83に引き上げている。
• 参考スコア（独自算出の注目度）: 17.15214398166831
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Researchers organize the papers they collect into personal folder hierarchies in reference managers, and route each new paper into the folder where it belongs. This task differs from standard hierarchical text classification. A user's folder hierarchy is not a fixed, shared taxonomy but a private and evolving folksonomy whose folder meanings may be topical, shorthand, venue-based, or process-oriented, and are often defined by the papers already stored inside them. We formalize this setting as personalized hierarchical paper routing (PHPR): assigning an incoming paper to folders in a user-specific hierarchy without per-user training. We propose PaperRouter-Agent, a training-free LLM agent that grounds routing decisions in folder members rather than folder names alone. The agent first narrows the candidate hierarchy, retrieves folder-specific evidence, verifies fit by inspecting member papers, and incorporates similarity-gated feedback from past user rejections. A formative study on real personal libraries shows that PaperRouter-Agent raises overall Recall@1 from 0.39 to 0.61 and Recall@3 from 0.57 to 0.83, with the largest gains on organizational folders defined by metadata such as venue or year, where single-shot methods collapses (Recall@1 0.09 to 0.50). On the public LaMP-2 benchmark, the same approach improves accuracy from 44.5% to 51.5% (+9.0 macro-F1) over a single-shot baseline, while remaining low-cost for practical use.
• Abstract（参考訳）: 研究者は、収集した書類をレファレンスマネージャの個人的なフォルダ階層に整理し、新しい論文をその属するフォルダにルートする。 このタスクは、標準的な階層的なテキスト分類とは異なる。 ユーザのフォルダ階層は、固定的で共有された分類ではなく、フォルダの意味がトピック、ショートハンド、場所ベース、プロセス指向であり、しばしばそれらの内部に格納されている論文によって定義される、プライベートで進化している人格である。 我々は、この設定をパーソナライズされた階層型紙ルーティング(PHPR)として定式化し、ユーザ固有の階層内のフォルダに入力した紙を、ユーザ毎のトレーニングなしで割り当てる。 そこで我々は,フォルダ名のみではなく,フォルダメンバのルーティング決定を根拠とした,学習不要なLCMエージェントPaperRouter-Agentを提案する。 エージェントはまず、候補階層を絞り、フォルダ固有のエビデンスを検索し、メンバー論文を検査して適合を検証し、過去のユーザ拒否からの類似性有望なフィードバックを取り入れる。 実際のパーソナルライブラリに関するフォーマティブな調査によると、PaperRouter-Agentは、全体的なRecall@1を0.39から0.61に、Recall@3を0.57から0.83に引き上げている。 パブリックなLaMP-2ベンチマークでは、同じアプローチがシングルショットベースライン上で44.5%から51.5%(+9.0マクロ-F1)に改善され、実用上は低コストのままである。

関連論文リスト

• PDMR: Passage-Driven Multi-ID Document Retrieval [1.1661238776379117]
  Passage-Driven Multi-ID Retrieval (PDMR) は、複数のパスレベル識別子を通じて文書を表す生成的検索フレームワークである。 PDMRは各ドキュメントを分割し、選択された各パスに1つの識別子を割り当て、同じドキュメントを取得するための複数のセマンティックエントリポイントを提供する。
  論文  参考訳（メタデータ） (2026-09-08T13:58:59Z)
• RepoNav: From Snippet Retrieval to File-Centered Repository Navigation for Code Agents [4.024282552053275]
  RepoNavは、検索したスニペットをファイル中心のナビゲーションスニペットに再編成する軽量な検索後インターフェースである。 LocBenchのさまざまなモデル全体で、RepoNavは関数レベルのローカライゼーションを改善し、ファイル間のギャップを狭める。
  論文  参考訳（メタデータ） (2026-09-08T07:25:15Z)
• Filesystem-Based Memory for LLM Agents: Organization, Evolution, and Sustainability [49.415740364852105]
  デプロイされたエージェントは、エージェント自身がジェネリックファイルツールを通じて読み込み、書き込み、再編成するマークダウンファイルのディレクトリツリーとして、長期記憶をますます保持する。 以前のシステムではメモリ表現を設計し、それらを検索し、デフォルトの2つの動作仮定を未検証のまま残した。 LLMエージェントのためのチャンクベースメモリの最初の体系的探索を行う。
  論文  参考訳（メタデータ） (2026-07-29T08:59:43Z)
• Agent-as-a-Router: Agentic Model Routing for Coding Tasks [54.00153674547733]
  Agent-as-a-router (AC)はC-A-Fループとしてルーティングを形式化する(Context->Action->FeedbackContext) ACは、分配タスクに対する最小の累積後悔を達成し、配布外エージェントプログラミングタスクに一般化する。
  論文  参考訳（メタデータ） (2026-06-22T06:37:31Z)
• Don't Retrieve, Navigate: Distilling Enterprise Knowledge into Navigable Agent Skills for QA and RAG [7.558933130117637]
  Corpus2Skillはドキュメントコーパスを階層的なスキルディレクトリにオフラインで蒸留する。 コンパイルパイプラインは、文書を反復的にクラスタリングし、各レベルでLCMで書かれた要約を生成し、ナビゲート可能なスキルファイルのツリーとして結果を実体化する。 サービス時には、エージェントは、コーパスの鳥眼ビューを受け取り、徐々に細かな要約を通してトピックブランチにドリルし、IDによって全文書を検索する。
  論文  参考訳（メタデータ） (2026-04-16T03:05:37Z)
• OrgAgent: Organize Your Multi-Agent System like a Company [75.47076168155817]
  企業スタイルの階層型マルチエージェントフレームワークであるOrgAgentを紹介します。 企業スタイルの階層で組織されたマルチエージェントシステムは、一般的に他の組織構造よりも優れています。
  論文  参考訳（メタデータ） (2026-04-01T15:21:14Z)
• Self-Describing Structured Data with Dual-Layer Guidance: A Lightweight Alternative to RAG for Precision Retrieval in Large-Scale LLM Knowledge Navigation [0.0]
  大きな言語モデル(LLM)は、長い入力コンテキストを処理する際に、よく文書化された位置バイアスを示す。 これにより、コンテキストに直接大きな構造化知識ベースを組み込む知識検索アプリケーションが制限される。 本稿では,構造化されたデータファイルがファイルのプライマリ位置にある人為的なナビゲーションメタデータを埋め込む軽量なフレームワークである自己記述型構造化検索(SDSR)を提案する。
  論文  参考訳（メタデータ） (2026-03-28T14:12:43Z)
• What Papers Don't Tell You: Recovering Tacit Knowledge for Automated Paper Reproduction [57.86097956633207]
  Methodは、学術論文から実行可能なコードを生成するグラフベースのエージェントフレームワークである。 3つのドメイン、10のタスク、10の最近の論文にまたがる拡張ReproduceBenchでは、公式実装に対する平均的なパフォーマンスギャップが10.04%に達する。
  論文  参考訳（メタデータ） (2026-03-02T12:33:31Z)
• MoDora: Tree-Based Semi-Structured Document Analysis System [62.01015188258797]
  半構造化文書は、様々な不規則なレイアウトで配置された様々なインターリーブされたデータ要素を統合する。 MoDora は半構造化文書解析のための LLM を利用したシステムである。 実験では、MoDoraは5.97%-61.07%の精度でベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-02-26T14:48:49Z)
• DeepRead: Document Structure-Aware Reasoning to Enhance Agentic Search [23.447631421934847]
  DeepReadは、ドキュメントネイティブな構造的事前を動作可能な推論機能に運用するために設計された、構造対応のドキュメント推論エージェントである。 DeepReadは、従来の検索手法に固有のコンテキストの断片化を効果的に軽減する、人間のような位置読み取りの推論パラダイムを提供する。
  論文  参考訳（メタデータ） (2026-02-04T20:03:28Z)
• Lbl2Vec: An Embedding-Based Approach for Unsupervised Document Retrieval on Predefined Topics [0.6767885381740952]
  本稿では,ラベルのない文書データセットから,文書と単語ベクトルを共同で学習する手法を提案する。 提案手法はテキスト前処理をほとんど必要としないが,高い確率で関連文書の検索に有効である。 当社のアプローチの複製を容易にするため,開発済みのLbl2Vecコードを3Clause BSDライセンスの下で利用可能なツールとして公開しています。
  論文  参考訳（メタデータ） (2022-10-12T08:57:01Z)
• Out-of-Category Document Identification Using Target-Category Names as Weak Supervision [64.671654559798]
  Out-of-category Detection は、文書が不適格(またはターゲット)カテゴリと意味的関連性に応じて区別することを目的としている。 対象のカテゴリの1つに属する文書の信頼性を効果的に測定する,カテゴリ外検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-24T21:01:25Z)
• Extracting Variable-Depth Logical Document Hierarchy from Long Documents: Method, Evaluation, and Application [21.270184491603864]
  我々は、長いドキュメント(HELD)から階層抽出(Hierarchy extract)というフレームワークを開発し、各物理オブジェクトを現在のツリーの適切な位置に「逐次」挿入する。 中国、イギリスの金融市場、イギリスの科学出版物から何千もの長い文書に基づく実験。 本稿では,下流経路検索タスクの性能向上に論理文書階層を用いる方法を提案する。
  論文  参考訳（メタデータ） (2021-05-14T06:26:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。