論文の概要: Enabling Personalized Long-term Interactions in LLM-based Agents through Persistent Memory and User Profiles

• arxiv url: http://arxiv.org/abs/2510.07925v1
• Date: Thu, 09 Oct 2025 08:22:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:14.953955
• Title: Enabling Personalized Long-term Interactions in LLM-based Agents through Persistent Memory and User Profiles
• Title（参考訳）: パーソナライズされたLLMエージェントのパーソナライズされた長期インタラクションの永続記憶とユーザプロファイルによる実現
• Authors: Rebecca Westhäußer, Wolfgang Minker, Sebatian Zepf,
• Abstract要約: 大規模言語モデル(LLM)はAIエージェントの中央制御ユニットとしての役割を担っている。 本稿では、パーソナライズされた長期的なインタラクションを実現するために、永続メモリ、動的コーディネーション、自己検証、およびユーザプロファイルの進化を統合するフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.4885400580268118
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) increasingly serve as the central control unit of AI agents, yet current approaches remain limited in their ability to deliver personalized interactions. While Retrieval Augmented Generation enhances LLM capabilities by improving context-awareness, it lacks mechanisms to combine contextual information with user-specific data. Although personalization has been studied in fields such as human-computer interaction or cognitive science, existing perspectives largely remain conceptual, with limited focus on technical implementation. To address these gaps, we build on a unified definition of personalization as a conceptual foundation to derive technical requirements for adaptive, user-centered LLM-based agents. Combined with established agentic AI patterns such as multi-agent collaboration or multi-source retrieval, we present a framework that integrates persistent memory, dynamic coordination, self-validation, and evolving user profiles to enable personalized long-term interactions. We evaluate our approach on three public datasets using metrics such as retrieval accuracy, response correctness, or BertScore. We complement these results with a five-day pilot user study providing initial insights into user feedback on perceived personalization. The study provides early indications that guide future work and highlights the potential of integrating persistent memory and user profiles to improve the adaptivity and perceived personalization of LLM-based agents.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、AIエージェントの中央制御ユニットとして機能する傾向にあるが、現在のアプローチは、パーソナライズされたインタラクションを提供する能力に制限されている。 Retrieval Augmented Generationは、コンテキスト認識を改善することでLLM機能を向上させるが、コンテキスト情報とユーザ固有のデータを組み合わせるメカニズムが欠如している。 パーソナライゼーションは、人間とコンピュータの相互作用や認知科学などの分野で研究されてきたが、既存の視点は、技術的な実装に限定して概念的のままである。 これらのギャップに対処するため、我々はパーソナライズを一元的に定義し、適応型ユーザ中心のLCMエージェントの技術的要件を導出する概念的基盤を構築した。 マルチエージェントコラボレーションやマルチソース検索などのエージェントAIパターンと組み合わせて、永続メモリ、動的コーディネーション、自己検証、進化するユーザプロファイルを統合して、パーソナライズされた長期的なインタラクションを実現するフレームワークを提案する。 我々は,検索精度,応答精度,BertScoreなどの指標を用いて,3つの公開データセットに対するアプローチを評価する。 ユーザからのフィードバックをパーソナライゼーションに対する最初の洞察を提供する5日間のパイロットユーザスタディで,これらの結果を補完する。 この研究は、今後の研究を導く早期の指標を提供し、LCMベースのエージェントの適応性と認識のパーソナライズを改善するために、永続記憶とユーザプロファイルを統合する可能性を強調している。

関連論文リスト

• Beyond Static Evaluation: Rethinking the Assessment of Personalized Agent Adaptability in Information Retrieval [12.058221341033835]
  適応型パーソナライゼーションにおける評価を再考するための概念レンズを提案する。 このレンズは,(1)時間的に進化する嗜好モデルを用いたペルソナベースユーザシミュレーション,(2)参照インタビューに触発されてコンテキスト内での嗜好を抽出する構造化エリケーションプロトコル,(3)エージェントの行動がセッションやタスク間でどのように改善されるかを測定する適応型評価メカニズムの3つを中心に構成されている。
  論文  参考訳（メタデータ） (2025-10-05T00:35:37Z)
• PersonaAgent: When Large Language Model Agents Meet Personalization at Test Time [87.99027488664282]
  PersonaAgentは、汎用的なパーソナライゼーションタスクに対処するために設計されたフレームワークである。 パーソナライズされたメモリモジュールとパーソナライズされたアクションモジュールを統合する。 テストタイムのユーザ嗜好アライメント戦略は、リアルタイムのユーザの嗜好アライメントを保証する。
  論文  参考訳（メタデータ） (2025-06-06T17:29:49Z)
• Embodied Agents Meet Personalization: Exploring Memory Utilization for Personalized Assistance [18.820008753896623]
  大規模言語モデル(LLM)によって強化されたエンボディードエージェントは,家庭内オブジェクト再構成タスクにおいて高い性能を示した。 しかし、パーソナライズされた支援のためのメモリ利用におけるエンボディードエージェントの有効性は、いまだに過小評価されている。 本稿では,メモリ利用能力の評価を目的とした個人化エージェント評価フレームワークであるMementOについて述べる。
  論文  参考訳（メタデータ） (2025-05-22T08:00:10Z)
• A Survey of Personalization: From RAG to Agent [48.34245916821302]
  パーソナライゼーションは現代のAIシステムにおいて不可欠な機能となり、個々のユーザの好みやコンテキスト、目標に合わせてカスタマイズされたインタラクションを可能にしている。 最近の研究は、ユーザ満足度を高めるために、Retrieval-Augmented Generation (RAG)フレームワークと、パーソナライズされた設定内のより高度なエージェントベースのアーキテクチャへの進化に集中している。 本調査は,RAGの3段階(検索前,検索後,生成前)のパーソナライゼーションを体系的に検討した。
  論文  参考訳（メタデータ） (2025-04-14T11:57:52Z)
• Adaptive Self-Supervised Learning Strategies for Dynamic On-Device LLM Personalization [3.1944843830667766]
  大規模言語モデル(LLM)は私たちがテクノロジと対話する方法に革命をもたらしたが、個々のユーザの好みに対するパーソナライズは依然として大きな課題である。 本稿では,LSMを動的にパーソナライズするために自己指導型学習技術を利用する適応型自己監督学習戦略(ASLS)を提案する。
  論文  参考訳（メタデータ） (2024-09-25T14:35:06Z)
• Hello Again! LLM-powered Personalized Agent for Long-term Dialogue [63.65128176360345]
  モデルに依存しない長期対話エージェント(LD-Agent)を導入する。 イベント認識、ペルソナ抽出、応答生成のための3つの独立した調整可能なモジュールが組み込まれている。 LD-Agentの有効性, 汎用性, クロスドメイン性について実験的に検証した。
  論文  参考訳（メタデータ） (2024-06-09T21:58:32Z)
• On the steerability of large language models toward data-driven personas [98.9138902560793]
  大規模言語モデル(LLM)は、特定のグループや集団の意見が不足している偏りのある応答を生成することが知られている。 本稿では, LLM を用いて特定の視点の制御可能な生成を実現するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-11-08T19:01:13Z)
• AgentCF: Collaborative Learning with Autonomous Language Agents for Recommender Systems [112.76941157194544]
  本稿では,エージェントベースの協調フィルタリングにより,レコメンデータシステムにおけるユーザとイテムのインタラクションをシミュレートするエージェントCFを提案する。 我々は、ユーザだけでなく、アイテムをエージェントとして、創造的に考慮し、両方のエージェントを同時に最適化する協調学習アプローチを開発します。 全体として、最適化されたエージェントは、ユーザ・イテム、ユーザ・ユーザ・ユーザ、アイテム・イテム、集合的インタラクションなど、フレームワーク内での多様なインタラクションの振る舞いを示す。
  論文  参考訳（メタデータ） (2023-10-13T16:37:14Z)

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。