論文の概要: Learning User-Aware Recall: Personalized Retrieval in Long-Term Conversational Memory

• arxiv url: http://arxiv.org/abs/2607.00017v2
• Date: Thu, 02 Jul 2026 04:36:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-05 17:01:29.626207
• Title: Learning User-Aware Recall: Personalized Retrieval in Long-Term Conversational Memory
• Title（参考訳）: ユーザ・アウェア・リコールの学習:長期会話記憶におけるパーソナライズされた検索
• Abstract要約: プロファイル誘導型パーソナライズド検索最適化(PPRO)は対話履歴からエピソードおよびセマンティックメモリバンクを構築する。 PPROはメモリランキングにおいて明示的なパーソナライズされた先行として機能し、検索は安定したユーザー属性、好み、関係を考慮できる。 LoCoMoとLongMemEval-Sの実験では、トレーニング不要のメモリシステムよりも一貫した利得を示している。
• 参考スコア（独自算出の注目度）: 15.297367578990903
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-term conversational agents are expected to remember past interactions, but memory is useful only when the right evidence is recalled for the right user. Existing memory-augmented LLM agents have made progress in building compact memory banks, yet retrieval is still often driven by query-centered similarity or fixed ranking rules, leaving user-conditioned relevance underexplored. To address this gap, we propose Profile-guided Personalized Retrieval Optimization (PPRO), a retrieval-centric framework that makes memory retrieval both user-aware and optimizable. PPRO builds episodic and semantic memory banks from dialogue histories and derives a user profile from accumulated memories. The profile serves as an explicit personalized prior in memory ranking, allowing retrieval to account for stable user attributes, preferences, and relationships. PPRO further trains a query rewriter with Group Relative Policy Optimization, using both evidence retrieval quality and downstream answer quality as feedback while keeping the memory banks and answer model fixed. Experiments on LoCoMo and LongMemEval-S show consistent gains over training-free memory systems and training-based baselines. Ablation studies further show that both profile-guided ranking and retrieval-oriented rewriting contribute substantially to performance, highlighting retrieval optimization as a key factor in personalized long-term memory use.
• Abstract（参考訳）: 長期の会話エージェントは過去のインタラクションを記憶することが期待されているが、メモリは適切なエビデンスを適切なユーザのためにリコールした場合にのみ有用である。 既存のメモリ拡張LDMエージェントは、コンパクトなメモリバンクの構築に進歩しているが、検索はしばしばクエリ中心の類似性や固定されたランキングルールによって駆動され、ユーザ条件の関連性は未定のままである。 このギャップに対処するため,Personalized Retrieval Optimization (PPRO) を提案する。 PPROは対話履歴からエピソードおよびセマンティックメモリバンクを構築し、蓄積したメモリからユーザプロファイルを導出する。 このプロファイルは、メモリランキングにおいて明示的なパーソナライズされた先行として機能し、検索は安定したユーザー属性、好み、関係を考慮できる。 PPROはさらに、グループ相対ポリシー最適化(Group Relative Policy Optimization)でクエリリライタをトレーニングし、エビデンス検索品質とダウンストリーム回答品質の両方をフィードバックとして使用し、メモリバンクと応答モデルの修正を維持している。 LoCoMoとLongMemEval-Sの実験では、トレーニングフリーメモリシステムやトレーニングベースラインよりも一貫した利得を示している。 アブレーション研究では、プロファイル誘導ランキングと検索指向リライトの両方がパフォーマンスに大きく寄与し、パーソナライズされた長期メモリ使用における重要な要因として、検索最適化が強調されている。

関連論文リスト

• From Passive Retrieval to Active Memory Navigation: Learning to Use Memory as a Structured Action Space [27.456426188493094]
  NapMemは、ユーザ履歴をリンクされた多粒度メモリピラミッドにまとめる。 エージェントはクエリと中間的なエビデンスに従ってメモリを選択するように訓練される。
  論文  参考訳（メタデータ） (2026-07-07T03:47:12Z)
• MEMPROBE: Probing Long-Term Agent Memory via Hidden User-State Recovery [58.64329475683699]
  我々は、長期記憶は監査可能な相互作用後のアーティファクトとして評価されるべきであると主張している。 我々は、メモリを備えたエージェントがシミュレーションユーザを支援するベンチマークであるMEMPROBEで、このビューをインスタンス化する。 私たちは、成功したアシストと回復可能なメモリが、異なる機能として振る舞うことに気付きました。
  論文  参考訳（メタデータ） (2026-06-23T13:52:46Z)
• MemSlides: A Hierarchical Memory Driven Agent Framework for Personalized Slide Generation with Multi-turn Local Revision [50.30742645266505]
  パーソナライズされたプレゼンテーションエージェントのための階層型メモリフレームワークであるMemSlidesを提案する。 ユーザプロファイルメモリは、ラウンド0のパーソナライズのための意図条件付きプロファイルを格納し、ワーキングメモリはアクティブな好みとセッションの制約を持つ。 MemSlidesは、このメモリ設計とスコープ化されたスライドローカルリビジョンを組み合わせて、最小の影響を受けたリージョンでターゲット更新を行う。
  論文  参考訳（メタデータ） (2026-06-15T18:02:55Z)
• Memory Retrieval for Changing Preferences [19.459455322636025]
  本稿では、メモリアクセスと選択のための統一的なフレームワークを提案する。 ベイズ係数を用いて各メモリターンの有効性を定量化する。 提案手法は,長いコンテキスト,嗜好集約的なタスクにおいて,既存の埋め込みベースの検索よりも優れる。
  論文  参考訳（メタデータ） (2026-06-02T00:29:12Z)
• Personalize-then-Store: Benchmarking and Learning Personalized Memory for Long-horizon Agents [20.22872890297194]
  既存の大規模言語モデル(LLM)ベースのメモリシステムは、基本的な現実を覆い隠す、普遍的で静的なポリシーを適用している。 パーソナライズされたメモリシステムを評価するための最初のベンチマークであるPerMemBenchを紹介する。 本稿では,過渡セッションのメモリ操作を選択的にバイパスする軽量フレームワークであるセッションレベルのストレージゲーティングを提案する。
  論文  参考訳（メタデータ） (2026-05-25T07:48:33Z)
• MemRerank: Preference Memory for Personalized Product Reranking [14.982376048234386]
  本稿では,ユーザの購入履歴を簡潔でクエリ非依存な信号に抽出し,パーソナライズされた製品再品位を実現するための選好記憶フレームワークであるMemRerankを提案する。 2つのLCMベースのリランカによる実験では、MemRerankは、無メモリ、生の履歴、および既製のメモリベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-03-31T04:16:18Z)
• AdaMem: Adaptive User-Centric Memory for Long-Horizon Dialogue Agents [49.63422082885992]
  長軸対話エージェントのための適応型ユーザ中心メモリフレームワークであるAdaMemを提案する。 AdaMemは対話履歴をワーキング、エピソディック、ペルソナ、グラフメモリに整理する。 LoCoMo と PERSONAMEM ベンチマーク上での AdaMem の評価を行った。
  論文  参考訳（メタデータ） (2026-03-17T13:22:54Z)
• Evoking User Memory: Personalizing LLM via Recollection-Familiarity Adaptive Retrieval [59.295767860331004]
  RF-Memは、親しみやすい不確実性誘導デュアルパスメモリレトリバーである。 それは、人間のようなデュアルプロセス認識をレトリバーに埋め込む。 一定の予算とレイテンシの制約の下で、ワンショット検索とフルコンテキスト推論を一貫して上回る。
  論文  参考訳（メタデータ） (2026-03-10T06:31:44Z)
• MemoryArena: Benchmarking Agent Memory in Interdependent Multi-Session Agentic Tasks [55.145729491377374]
  メモリを持つエージェントの既存の評価は、通常、単独で記憶と行動を評価する。 マルチセッションメモリ-エージェント環境ループにおけるエージェントメモリのベンチマークのための統合評価ジムであるMemoryArenaを紹介する。 MemoryArenaは、Webナビゲーション、優先制約付き計画、プログレッシブ情報検索、シーケンシャルなフォーマルな推論を含む評価をサポートする。
  論文  参考訳（メタデータ） (2026-02-18T09:49:14Z)
• OP-Bench: Benchmarking Over-Personalization for Memory-Augmented Personalized Conversational Agents [55.27061195244624]
  オーバーパーソナライゼーションを3つのタイプに分類する。 エージェントは不要な場合でも、ユーザメモリを取得およびオーバーアタッチする傾向があります。 我々の研究は、メモリ拡張対話システムにおいて、より制御可能で適切なパーソナライズに向けた最初の一歩を踏み出した。
  論文  参考訳（メタデータ） (2026-01-20T08:27:13Z)

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。