論文の概要: RecGroupMemory: Feedback-Aware Cohort Memory for E-Commerce Recommendation

• arxiv url: http://arxiv.org/abs/2611.02453v1
• Date: Mon, 02 Nov 2026 03:16:45 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:09:00.528086
• Title: RecGroupMemory: Feedback-Aware Cohort Memory for E-Commerce Recommendation
• Title（参考訳）: RecGroupMemory:Eコマースレコメンデーションのためのフィードバック対応コホートメモリ
• Abstract要約: 我々は、このメモリをオーケストレーション LLM に提供するワークフローである RecGroupMemory を提示する。 前日からのフィードバックを使って意思決定のガイダンスを更新する一方で、バリデーションチェックでは選択したソース値が変更されない。 非メモリベースラインとは対照的に、フィードバックのないメモリとフィードバックのあるメモリは、それぞれ1.58%と1.78%の増加を示した。
• 参考スコア（独自算出の注目度）: 6.369593533506175
• License:
• Abstract: Cohort memory can support LLM-based recommendation planning through group-level user profiles and advice. As outcome feedback becomes available, this guidance may need to be updated while preserving the underlying observations. We present RecGroupMemory, a workflow that provides this memory to an orchestration LLM and separates memory construction from feedback-based revision. It uses feedback from the previous day to revise decision guidance, while validation checks keep selected source values unchanged. Online comparisons were conducted among Taobao users with low purchasing power selected by the business team. Relative to a no-memory baseline, memory without feedback and memory with feedback showed increases of 1.58% and 1.78%, respectively, in the number of guided transaction users.
• Abstract（参考訳）: コホートメモリは、グループレベルのユーザプロファイルとアドバイスを通じてLLMベースのレコメンデーションプランニングをサポートすることができる。 結果フィードバックが利用可能になると、このガイダンスは、基礎となる観察を保ちながら更新される必要があるかもしれない。 本稿では、このメモリをオーケストレーションLLMに提供し、フィードバックベースのリビジョンからメモリ構築を分離するワークフローであるRecGroupMemoryを紹介する。 前日からのフィードバックを使って意思決定のガイダンスを更新する一方で、バリデーションチェックでは選択したソース値が変更されない。 ビジネスチームによって選択された購入力の低いタオオユーザを対象に,オンライン比較を行った。 非メモリベースラインとは対照的に、フィードバックのないメモリとフィードバックのあるメモリは、それぞれ1.58%と1.78%の増加を示した。

関連論文リスト

• MemBubble: Benchmarking How Agent Memory Shapes LLM Response Diversity [69.32957637697743]
  メモリはLLMベースのエージェントのコアコンポーネントとして機能し、過去のインタラクションからユーザの好みを抽出して使用することでパーソナライズされた応答を可能にする。 既存の評価は合成相互作用に大きく依存しており、メモリシステムが少ないため、実際のシナリオではメモリの応答の多様性が不十分である。 MemBubbleは、実際のユーザ・アシスタント・会話から抽出された好みに基づいて構築された1000インスタンスのベンチマークである。 メモリが応答分布に集中する範囲を計測するために、共有された嗜好カテゴリを通してトピック関連性を保持しながら、ユーザの嗜好とは異なるシナリオでテストクエリを構築する。
  論文  参考訳（メタデータ） (2026-10-18T09:17:44Z)
• UpliftMem: Learning Set-Level Uplift for Agent Memory Retrieval [6.8528335287164035]
  大きな言語モデル(LLM)エージェントは、外部メモリを再利用して新しいタスクを誘導するが、効果的な検索には、どのメモリセットが実行を改善するかを学ぶ必要がある。 我々はtextscUpliftMemを導入し、これはメモリなしで同じ実行者に対して設定レベルのアップリフトからメモリの検索を学習する。
  論文  参考訳（メタデータ） (2026-09-29T06:17:15Z)
• COUNTERMEM: World-Model Verified Counter-Factual Memory for Language Agents [40.59788210629839]
  COUNTERMEMは、タスク間で検証済みの反ファクトメモリの構築と使用のための強化学習フレームワークである。 動作が失敗した後、COUNTERMEMは元の状態のコピーまたはリセットからローカル代替品を評価する。 オリジナルと修正されたアクション、チェック結果、再利用条件の改善を格納する。
  論文  参考訳（メタデータ） (2026-09-25T18:12:38Z)
• Memory as a Controlled Process: Learned Adaptive Memory Management for LLM Agents [72.3752981234916]
  大きな言語モデル(LLM)エージェントは、タスク間の経験を蓄積するために、外部メモリシステムに依存している。 メモリ操作をマルコフ決定プロセスとしてモデル化するフレームワークである制御プロセス(MemCon)としてメモリを提示する。 MemConは、複数のメモリベースラインのタスク成功率を最大15.2ポイント上回り、トークン消費量を5-20%削減している。
  論文  参考訳（メタデータ） (2026-07-15T08:32:40Z)
• 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)
• Learning User-Aware Recall: Personalized Retrieval in Long-Term Conversational Memory [15.297367578990903]
  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。
  論文  参考訳（メタデータ） (2026-05-28T06:47:48Z)
• 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)
• AMemGym: Interactive Memory Benchmarking for Assistants in Long-Horizon Conversations [61.6579785305668]
  AMemGymは、メモリ駆動型パーソナライゼーションのためのオンライン評価と最適化を可能にする対話型環境である。 我々のフレームワークは、対話エージェントのメモリ能力を向上するためのスケーラブルで診断に富んだ環境を提供する。
  論文  参考訳（メタデータ） (2026-03-02T15:15:11Z)
• From Single to Multi-Granularity: Toward Long-Term Memory Association and Selection of Conversational Agents [79.87304940020256]
  大言語モデル(LLM)は会話エージェントで広く採用されている。 MemGASは、多粒度アソシエーション、適応選択、検索を構築することにより、メモリ統合を強化するフレームワークである。 4つの長期メモリベンチマークの実験により、MemGASは質問応答と検索タスクの両方において最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-26T06:13:07Z)
• PeTra: A Sparsely Supervised Memory Model for People Tracking [50.98911178059019]
  メモリスロット内のエンティティを追跡するように設計されたメモリ拡張ニューラルネットワークであるPeTraを提案する。 我々は、重要なモデリング選択を経験的に比較し、強い性能を維持しながら、メモリモジュールの設計のいくつかの側面を単純化できることを見出した。 PeTraは両方の評価に非常に効果的で、限られたアノテーションで訓練されているにもかかわらず、メモリ内の人々を追跡できる能力を示している。
  論文  参考訳（メタデータ） (2020-05-06T17:45:35Z)

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。