論文の概要: Agentic Recommender System with Hierarchical Belief-State Memory

• arxiv url: http://arxiv.org/abs/2605.14401v1
• Date: Thu, 14 May 2026 05:38:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.643104
• Title: Agentic Recommender System with Hierarchical Belief-State Memory
• Title（参考訳）: 階層的信念記憶を持つエージェントレコメンダシステム
• Authors: Xiang Shen, Yuhang Zhou, Yifan Wu, Zhuokai Zhao, Siyu Lin, Lei Huang, Qianqian Zhong, Lizhu Zhang, Benyu Zhang, Xiangjun Fan, Hong Yan,
• Abstract要約: 本稿では,レコメンデーションを部分的に観察可能な問題として扱い,構造化された信念状態を維持する枠組みを提案する。 イベント記憶は生の信号をバッファリングし、選好記憶は明示的な強さとエビデンス追跡を備えたきめ細かい変更可能なチャンクを維持し、プロファイル記憶は全ての選好を一貫性のある自然の物語に蒸留する。 4つのインストラクタベンチマークドメインの実験によると、Recoursは最先端のパフォーマンスを達成し、HR@1では平均26.4%、NDCG@10では10.3%向上している。
• 参考スコア（独自算出の注目度）: 29.122434746467544
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Memory-augmented LLM agents have advanced personalized recommendation, yet existing approaches universally adopt flat memory representations that conflate ephemeral signals with stable preferences, and none provides a complete lifecycle governing how memory should evolve. We propose MARS (Memory-Augmented Agentic Recommender System), a framework that treats recommendation as a partially observable problem and maintains a structured belief state that progressively abstracts noisy behavioral observations into a compact estimate of user preferences. MARS organizes this belief state into three tiers: event memory buffers raw signals, preference memory maintains fine-grained mutable chunks with explicit strength and evidence tracking, and profile memory distills all preferences into a coherent natural language narrative. A complete lifecycle of six operations -- extraction, reinforcement, weakening, consolidation, forgetting, and resynthesis -- is adaptively scheduled by an LLM-based planner rather than fixed-interval heuristics. Experiments on four InstructRec benchmark domains show that \ours achieves state-of-the-art performance with average improvements of 26.4% in HR@1 and 10.3% in NDCG@10 over the strongest baselines with further gains from agentic scheduling in evolving settings.
• Abstract（参考訳）: メモリ拡張されたLLMエージェントは、パーソナライズされたレコメンデーションを進化させてきたが、既存のアプローチでは、短命信号と安定な優先度で分割するフラットメモリ表現を採用しており、メモリの進化を規定する完全なライフサイクルを提供していない。 提案するMARS(Memory-Augmented Agentic Recommender System)は,推薦を部分的に観測可能な問題として扱うフレームワークであり,ノイズの多い行動観察をユーザの好みのコンパクトな推定に段階的に抽象化する構造化された信念状態を維持する。 イベントメモリは生の信号をバッファリングし、嗜好メモリは明示的な強さとエビデンストラッキングを備えたきめ細かい変更可能なチャンクを維持し、プロファイルメモリは全ての好みを一貫性のある自然言語の物語に蒸留する。 抽出、強化、弱体化、統合、忘れ、再合成の6つの操作の完全なライフサイクルは、固定内部のヒューリスティックではなく、LLMベースのプランナーによって順応的に計画されている。 InstructRecの4つのベンチマークドメインの実験では、TruesはHR@1で26.4%、NDCG@10で10.3%の改善を達成し、エージェントスケジューリングの進化によってさらに向上した。

関連論文リスト

• Learning How and What to Memorize: Cognition-Inspired Two-Stage Optimization for Evolving Memory [53.8372503928207]
  大規模言語モデル(LLM)エージェントは、一貫したパーソナライゼーションのために長期のユーザメモリを必要とする。 既存のメモリシステムは、主に静的で手作りの更新ルールに依存している。 MemCoEは認知にインスパイアされた2段階最適化フレームワークで、どのようにメモリを整理し、どの情報を更新すべきかを学ぶ。
  論文  参考訳（メタデータ） (2026-05-01T14:45:20Z)
• Prism: An Evolutionary Memory Substrate for Multi-Agent Open-Ended Discovery [0.0]
  我々は,マルチエージェントAIシステムのための進化的メモリ基板であるPrism(textbfProbabilistic replicatextbfRetrieval with textbfInformation-textbfStratified textbfMemory)を紹介する。 prismは、階層化されたファイルベースの永続性、ベクトル拡張セマンティックメモリ、グラフ構造化リレーショナルメモリ、マルチエージェント進化探索という、独立して開発された4つのパラダイムを統一する。
  論文  参考訳（メタデータ） (2026-04-08T09:16:43Z)
• AlpsBench: An LLM Personalization Benchmark for Real-Dialogue Memorization and Preference Alignment [54.72137309071243]
  AlpsBenchはWildChatからキュレートされた2500の長期的相互作用配列から構成され、人間によって検証された構造化記憶と組み合わせられる。 我々は、パーソナライズされた情報抽出、更新、検索、利用の4つの重要なタスクを定義し、メモリ管理のライフサイクル全体を評価するためのプロトコルを確立する。 i)モデルが潜在ユーザ特性を確実に抽出するのに苦労していること、(ii)メモリ更新が最強モデルでもパフォーマンス天井に直面すること、(iii)大きなイントラクタプールの存在下での検索精度が急激に低下すること、(iv)明示的なメモリ機構がリコールを改善する一方で、リコールは行わないこと、などである。
  論文  参考訳（メタデータ） (2026-03-09T11:06:19Z)
• UMEM: Unified Memory Extraction and Management Framework for Generalizable Memory [46.87954895079213]
  自己進化型メモリは、大規模言語モデル(LLM)のトレーニング可能なパラメータとして機能する 既存の方法は、メモリ抽出を静的プロセスとして扱いながら、メモリ管理を優先的に最適化する。 本稿では,大言語モデルを協調的に最適化し,メモリの抽出と管理を同時に行うための統一メモリ抽出管理(UMEM)を提案する。
  論文  参考訳（メタデータ） (2026-02-11T08:58:41Z)
• MALLOC: Benchmarking the Memory-aware Long Sequence Compression for Large Sequential Recommendation [84.53415999381203]
  MALLOCは、メモリを意識したロングシーケンス圧縮のベンチマークである。 最先端のレコメンデータに統合され、再現性と評価のプラットフォームを可能にする。
  論文  参考訳（メタデータ） (2026-01-28T04:11:50Z)
• MemRec: Collaborative Memory-Augmented Agentic Recommender System [57.548438733740504]
  我々はメモリ管理から推論をアーキテクチャ的に分離するフレームワークであるMemRecを提案する。 MemRecは動的コラボレーティブメモリグラフを管理する専用のLM_Memを導入した。 4つのベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-01-13T18:51:16Z)

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。