論文の概要: Hierarchical Long-Term Semantic Memory for LinkedIn's Hiring Agent

• arxiv url: http://arxiv.org/abs/2604.26197v1
• Date: Wed, 29 Apr 2026 00:53:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.209779
• Title: Hierarchical Long-Term Semantic Memory for LinkedIn's Hiring Agent
• Title（参考訳）: LinkedInの求人エージェントのための階層的長期セマンティックメモリ
• Authors: Zhentao Xu, Shangjing Zhang, Emir Poyraz, Yvonne Li, Ye Jin, Xie Lu, Xiaoyang Gu, Karthik Ramgopal, Praveen Kumar Bodigutla, Xiaofeng Wang,
• Abstract要約: 大規模言語モデル(LLM)エージェントは、パーソナライズされたコンテキスト対応のユーザインタラクションが不可欠である現実世界の製品で、ますます利用されている。 LLMエージェントの産業レベルの長期メモリ構築には,スケーラビリティ,低レイテンシ検索,プライバシ制約,クロスドメインの汎用性,可観測性という5つの課題がある。 このフレームワークは、テキストデータをスキーマに整合したメモリツリーに整理し、セマンティック知識を複数のレベルの粒度でキャプチャする。 HLTMはLinkedInのHiring Assistantにデプロイされ、プロダクション採用におけるパーソナライゼーションのコア機能に力を入れている。
• 参考スコア（独自算出の注目度）: 7.738449954712223
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Large Language Model (LLM) agents are increasingly used in real-world products, where personalized and context-aware user interactions are essential. A central enabler of such capabilities is the agent's long-term semantic memory system, which extracts implicit and explicit signals from noisy longitudinal behavioral data, stores them in a structured form, and supports low-latency retrieval. Building industrial-grade long-term memory for LLM agents raises five challenges: scalability, low-latency retrieval, privacy constraints, cross-domain generalizability, and observability. We introduce the Hierarchical Long-Term Semantic Memory (HLTM) framework, which organizes textual data into a schema-aligned memory tree that captures semantic knowledge at multiple levels of granularity, enabling scalable ingestion, privacy-aware storage, low-latency retrieval, and transparent provenance; HLTM further incorporates an adaptation mechanism to generalize across diverse use cases. Extensive evaluations on LinkedIn's Hiring Assistant show that HLTM improves answer correctness and retrieval F1 significantly by more than 10%, while significantly advancing the Pareto frontier between query and indexing latency. HLTM has been deployed in LinkedIn's Hiring Assistant to power core personalization features in production hiring workflows.
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、パーソナライズされたコンテキスト対応のユーザインタラクションが不可欠である現実世界の製品で、ますます利用されている。 エージェントの長期セマンティックメモリシステムは、ノイズの多い縦方向の行動データから暗黙的かつ明示的な信号を抽出し、それらを構造化形式で保存し、低遅延検索をサポートする。 LLMエージェントの産業レベルの長期メモリ構築には,スケーラビリティ,低レイテンシ検索,プライバシ制約,クロスドメインの汎用性,可観測性という5つの課題がある。 このフレームワークは、テキストデータをスキーマ整合メモリツリーに整理し、複数のレベルでセマンティック知識をキャプチャし、スケーラブルな取り込み、プライバシ対応ストレージ、低レイテンシ検索、透過的証明を可能にする。 LinkedInのHiring Assistantに関する大規模な評価によると、HLTMは回答の正しさと検索F1を10%以上改善し、クエリとインデックスのレイテンシの間のParetoフロンティアを大幅に改善している。 HLTMはLinkedInのHiring Assistantにデプロイされ、本番採用ワークフローのコアパーソナライゼーション機能に使用されている。

関連論文リスト

• Memory-Augmented LLM-based Multi-Agent System for Automated Feature Generation on Tabular Data [52.80567461420316]
  メモリ拡張LPMに基づくマルチエージェントシステム(textbfMALMAS)を提案する。 MALMASは生成プロセスを独立した責任を持つエージェントに分解し、ルータエージェントはイテレーション毎にエージェントの適切なサブセットを起動する。 さらに、手続きメモリ、フィードバックメモリ、概念記憶を含むメモリモジュールを統合し、その後の特徴生成を適応的に導く反復的改善を可能にする。
  論文  参考訳（メタデータ） (2026-04-22T07:09:30Z)
• GenericAgent: A Token-Efficient Self-Evolving LLM Agent via Contextual Information Density Maximization (V1.0) [56.81743709880371]
  Long-Horizon Large Language Model (LLM) エージェントは、コンテキストによって根本的に制限される。 長い水平性能は、文脈長ではなく、有限の文脈予算内で意思決定関連情報がどれだけ維持されているかによって決定される。 我々は、情報密度とコンテキストの1つの原理に基づいて構築された汎用的自己進化型LLMエージェントシステムであるGenericAgent(GA)を提案する。
  論文  参考訳（メタデータ） (2026-04-18T17:59:15Z)
• Hierarchical Memory Orchestration for Personalized Persistent Agents [22.711300383282268]
  ユーザ中心のコンテキスト関連性によって駆動される3階層のディレクトリにインタラクション履歴を整理するフレームワークである階層記憶オーケストレーション(HMO)を提案する。 エージェント推論が個々の行動特性と一致し続けることを保証するため,本システムはコンパクトなプライマリキャッシュを維持し,最近のメモリとピボットメモリと,進化するユーザプロファイルを結合する。
  論文  参考訳（メタデータ） (2026-04-02T06:16:53Z)
• Agentic Memory: Learning Unified Long-Term and Short-Term Memory Management for Large Language Model Agents [57.38404718635204]
  大規模言語モデル (LLM) エージェントは、有限コンテキストウィンドウによる長距離推論において基本的な制限に直面している。 既存のメソッドは通常、長期記憶(LTM)と短期記憶(STM)を独立したコンポーネントとして扱う。 本稿では,エージェントのポリシーに LTM と STM 管理を直接統合する統合フレームワークである Agentic Memory (AgeMem) を提案する。
  論文  参考訳（メタデータ） (2026-01-05T08:24:16Z)
• Memoria: A Scalable Agentic Memory Framework for Personalized Conversational AI [0.6840655769002751]
  エージェントメモリは大規模言語モデル(LLM)のキーイネーブラーとして登場しつつある 我々は,LLMベースの会話システムを永続的,解釈可能,コンテキストに富んだメモリで拡張するモジュール型メモリフレームワークであるMemoriaを紹介する。 我々は、ステートレスLLMインタフェースとエージェントメモリシステムとのギャップを埋めることで、Memoriaがスケーラブルでパーソナライズされた対話型人工知能(AI)を実現する方法を実証する。
  論文  参考訳（メタデータ） (2025-12-14T13:38:06Z)
• Memory-R1: Enhancing Large Language Model Agents to Manage and Utilize Memories via Reinforcement Learning [89.55738101744657]
  大規模言語モデル(LLM)は、幅広いNLPタスクで印象的な機能を示しているが、基本的にはステートレスである。 本稿では,LLMに外部メモリを積極的に管理・活用する機能を備えた強化学習フレームワークであるMemory-R1を提案する。
  論文  参考訳（メタデータ） (2025-08-27T12:26:55Z)
• Memory Sharing for Large Language Model based Agents [43.53494041932615]
  本稿では,リアルタイムメモリフィルタ,ストレージ,検索を統合し,In-Context学習プロセスを強化するためのフレームワークであるMemory Sharingを紹介する。 実験の結果,MSフレームワークはオープンな質問に対処する際のエージェントの性能を大幅に改善することが示された。
  論文  参考訳（メタデータ） (2024-04-15T17:57:30Z)

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。