基于用户阅读历史和兴趣的个性化文章推荐系统的设计与实现

论文总结

摘要

研究人员订阅了"论文警报"系统，定期获取与之前收集的论文相似的最新发表论文推荐。然而，PaperWeaver工具通过将用户收集的论文中的上下文内容融入到推荐论文的相关描述中，帮助用户更好地理解推荐论文与他们研究领域的相关性。这项工作通过设计并实施一个交互式论文警报界面来实现，用户可以在其中探索推荐论文的多种描述，从而了解它们与其他已收藏论文的关系。作者通过一项涉及15名研究人员的研究发现，使用PaperWeaver可以更有效地帮助用户理解推荐论文的相关性和与已收集论文的联系，同时提供新的洞见和学习机会。

问题发现

研究人员在面对定期收到的包含标题和摘要的论文警报时，难以快速判断这些推荐论文对其研究主题的直接相关性。仅凭标题往往难以了解论文的实际内容和潜在价值，这可能导致用户错过重要但未被充分呈现的相关信息。

解决方案

PaperWeaver提供了一种增强型的论文警报界面，它生成针对用户收藏文件夹主题的上下文化描述，并将推荐论文与用户已收集的论文进行比较和对比。系统通过提取问题-方法-发现（Problem-Method-Finding）结构信息，利用预训练语言模型（LLMs）来生成易于理解的陈述，将推荐论文锚定在用户熟悉的收藏文件夹主题上。此外，PaperWeaver还提供不同类型的描述以供用户探索，如基于引用的纸纸关系和基于生成伪引文的纸纸关系。

结果

用户研究显示，与基础系统相比（仅包含摘要和相关工作部分），使用PaperWeaver的参与者更能理解推荐论文与其研究兴趣的相关性，更能够识别出这些论文与已收藏论文之间的联系，并能从推荐中发现新的洞见。参与者反馈称，PaperWeaver的上下文化解释有助于他们做出更有信心的保存决定，并促进对已收藏论文的理解。通过比较和对比分析，用户能够在阅读笔记中记录更多的事实和关系，从而验证了PaperWeaver在帮助理解和评估论文方面的有效性。尽管使用过程中可能需要更多的时间和精力，但参与者普遍认为这种投入是值得的，因为它能提供更深入的信息理解和新的发现机会。

举一反三

Q1：PaperWeaver如何帮助用户理解推荐论文与他们研究的相关性？

A1：PaperWeaver通过提供基于用户收藏的文件夹上下文的上下文化描述，帮助用户理解推荐论文如何与其特定研究领域或兴趣相关联。这些描述可以捕捉到论文之间的更深层次关系，从而增强用户的理解。

Q2：PaperWeaver如何在比较和对比推荐与已收集的论文时发挥作用？

A2：PaperWeaver通过生成针对用户收藏论文的特性，方法和发现的比较性陈述，帮助用户识别推荐论文是如何在特定问题上建立或扩展其收藏中的论文的。这种对比使得用户能更好地理解新进论文对现有研究的贡献。

Q3：PaperWeaver如何处理没有与已收集论文引用关系的推荐论文？

A3：对于不引用已收集论文的推荐论文，PaperWeaver使用先进的语言模型生成反映论文与给定文件夹主题相关性的上下文化摘要。通过这种方式，即使在缺乏直接引用的情况下，用户也能理解新论文如何与他们的研究领域相联系。

原文地址：https://dl.acm.org/doi/10.1145/3613904.3642196

内容由MiX Copilot基于大语言模型生成，有可能存在错误的风险。