論文の概要: AtomRec: Evolving Atomic Memory for Agentic Recommendation
- arxiv url: http://arxiv.org/abs/2609.04882v1
- Date: Fri, 04 Sep 2026 08:38:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-07 18:15:23.98084
- Title: AtomRec: Evolving Atomic Memory for Agentic Recommendation
- Title（参考訳）: AtomRec: エージェント推奨のためのアトミックメモリの進化
- Abstract要約: textscAtomRecは、ユーザとアイテムのメモリを構造化原子単位として表現する。
textscAtomRecは、最先端のエージェントとメモリ拡張ベースラインを一貫して上回る。
- 参考スコア（独自算出の注目度）: 14.005948137340352
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Agentic recommender systems use large language models to maintain semantic memory and support evidence-aware recommendation. However, existing memory mechanisms often compress user and item information into coarse summaries and connect them with scalar collaborative links, making it difficult to preserve fine-grained preference stages or retrieve interpretable evidence as user interests evolve. We propose \textsc{AtomRec}, an agentic recommender with evolving atomic collaborative memory. \textsc{AtomRec} represents user and item memories as structured atomic units, builds semantic links across related memories, and evolves related historical fields when new interactions arrive. During recommendation, it retrieves linked memories as multi-hop evidence paths rather than isolated neighbor summaries, allowing collaborative signals to support grounded ranking. Experiments on four public benchmarks show that \textsc{AtomRec} consistently outperforms state-of-the-art agentic and memory-augmented baselines, with around 8.5\% average relative improvement across metrics.
- Abstract（参考訳）: エージェントレコメンデータシステムは、セマンティックメモリを維持するために大きな言語モデルを使用し、エビデンス対応レコメンデーションをサポートする。
しかし,既存のメモリ機構では,ユーザ情報や項目情報を粗い要約に圧縮し,それらをスカラーな協調リンクで接続することが多いため,ユーザの興味が発展するにつれて,詳細な選好段階の保存や解釈可能な証拠の検索が困難になる。
本稿では,原子間コラボレーティブメモリを進化させるエージェントレコメンデータである \textsc{AtomRec} を提案する。
\textsc{AtomRec} は、ユーザとアイテムのメモリを構造化原子単位として表現し、関連するメモリ間のセマンティックリンクを構築し、新しいインタラクションが到着すると関連する歴史的なフィールドを進化させる。
推薦中、リンクされた記憶を、孤立した隣人の要約ではなく、マルチホップエビデンスパスとして検索し、協調的な信号が接地されたランキングをサポートする。
4つの公開ベンチマークの実験によると、‘textsc{AtomRec} は最先端のエージェントとメモリ拡張ベースラインを一貫して上回り、メトリクスの平均相対的改善率は8.5倍である。
関連論文リスト
- ROAM: Robust Organization of Atomic Memories for Agents through Semantic Relations [11.811011255683885]
ROAMは、管理に原子性を用いる関係ガイダンスフレームワークである。
ROAMは、入射貯蔵された原子対を独立、等価、方向推定、衝突と分類し、観察をアクティブプライマリに整理し、エビデンスの役割を支持する。
モデルと評価設定全体で、ROAMは解答精度を最大29.8ポイント改善する。
論文 参考訳（メタデータ） (2026-09-09T06:29:38Z) - Collaborative Memory Augmentation for Generative Recommendation [49.76630658239287]
我々は、ジェネレーティブ・リコメンデーションのためのcOllaborative MEmory拡張フレームワークであるtextbfOMEGAを提案する。
まず、学習可能なクエリトークンを用いて、逐次的ユーザ動作をコンパクトな表現に変換する潜在コンテキスト圧縮手法を提案する。
これらの圧縮された表現は、協調的なメモリバンクに集約され、グローバルな行動パターンの明示的なリポジトリとして機能する。
論文 参考訳（メタデータ） (2026-08-02T15:34:43Z) - MRMS: A Multi-Resolution Memory Substrate for Long-Lived AI Agents [2.808851478009314]
長期的なAIエージェントは、相互作用の連続性を必要とする。
プロンプトウィンドウを拡張するだけで連続性を得ることはできない。
2つの軸に沿って構成されたアーキテクチャ記憶基板を提案する。
論文 参考訳（メタデータ） (2026-07-06T02:54:37Z) - Memory is Reconstructed, Not Retrieved: Graph Memory for LLM Agents [51.30250860677378]
本稿では,連想記憶グラフとアクティブな再構成機構を組み合わせたフレームワークであるMRAgentを提案する。
Cue-Tag-Contentグラフ上で実行することで,メモリアクセスに直接推論を統合する。
LoCoMoベンチマークとLongMemEvalベンチマークの実験は、強いベースラインよりも大幅に改善されている。
論文 参考訳（メタデータ） (2026-06-04T11:29:46Z) - SubtleMemory: A Benchmark for Fine-Grained Relational Memory Discrimination in Long-Horizon AI Agents [38.778004697710855]
本稿では,長期にわたるAIエージェントにおける微粒なリレーショナルメモリ識別のためのベンチマークであるSubtleMemoryを紹介する。
我々は,6つのスタンドアロンメモリシステム,ネイティブメモリモジュールを持つ2つのClawスタイルエージェント,プラグインメモリモジュールを持つ3つのClawスタイルエージェントを評価した。
論文 参考訳（メタデータ） (2026-06-04T06:43:11Z) - Rethinking Memory as Continuously Evolving Connectivity [63.58181883607843]
既存のメモリ拡張LDMエージェントは、メモリを事前定義された表現と固定された検索パイプラインを備えた静的リポジトリとして扱う。
メモリをヘテロジニアスなグラフとしてモデル化し,そのトポロジを3段階にわたって段階的に洗練する,コネクティビティ進化型メモリフレームワークであるFluxMemを提案する。
LoCoMo、Mind2Web、GAIAなど、根本的に異なる3つのベンチマークにおいて、FluxMemは一貫した最先端のパフォーマンスを実現し、複雑なエージェント環境において強力な適応と一般化を示す。
論文 参考訳（メタデータ） (2026-05-27T17:35:34Z) - 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) - Graph-based Agent Memory: Taxonomy, Techniques, and Applications [63.70340159016138]
メモリはLarge Language Model(LLM)ベースのエージェントの中核モジュールとして出現する。
さまざまなパラダイムの中でグラフは、関係依存をモデル化する本質的な能力のため、エージェントメモリの強力な構造として際立っている。
本調査では, エージェントメモリの総合的な検討について, グラフベースの観点から述べる。
論文 参考訳（メタデータ） (2026-02-05T13:49:05Z) - From Atom to Community: Structured and Evolving Agent Memory for User Behavior Modeling [25.74573956240653]
STEAM(textittextbfSTructured and textbfEvolving textbfAgent textbfMemory)は、エージェントメモリの編成と更新方法を再定義する新しいフレームワークである。
好みを原子記憶単位に分解し、それぞれが観察された行動に明示的なリンクで異なる関心領域をキャプチャする。
協調的パターンを活用するために、STEAMは、ユーザ間で類似した記憶をコミュニティに整理し、信号伝達のためのプロトタイプメモリを生成する。
論文 参考訳（メタデータ） (2026-01-23T16:24:57Z) - 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) - AssoMem: Scalable Memory QA with Multi-Signal Associative Retrieval [28.858496175399623]
本稿では,対話発話をアンロックして手がかりを自動的に抽出する連想記憶グラフ構築フレームワークAssoMemを提案する。
AssoMemはSOTAベースラインを一貫して上回り、コンテキスト対応メモリリコールにおいてその優位性を検証する。
論文 参考訳（メタデータ） (2025-10-12T01:23:23Z) - Rethinking Memory in AI: Taxonomy, Operations, Topics, and Future Directions [55.19217798774033]
メモリは、大規模言語モデル(LLM)ベースのエージェントを支える、AIシステムの基本コンポーネントである。
本稿ではまず,メモリ表現をパラメトリックおよびコンテキスト形式に分類する。
次に、コンソリデーション、更新、インデックス付け、フォッティング、検索、圧縮の6つの基本的なメモリ操作を紹介します。
論文 参考訳（メタデータ） (2025-05-01T17:31:33Z)
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。