LGM框架提出潜在神经符号推理解耦长期记忆
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载把记忆拆进潜空间
这篇论文关注的是个性化智能体在长期交互历史中做推理的问题：它既要识别用户说出口的偏好，也要从行为痕迹里推断没有明说的倾向。作者把现有做法归为两类。早期做法是扁平检索，对记忆片段逐个打分，片段之间的分布式关联被忽略；后来的结构化记忆框架改用静态图，但图与查询无关，无法表达随上下文变化的关系。作者还指出，原始文本记忆本身纠缠且含噪，直接在其上做细粒度个性化与跨会话推理，计算代价很高。为此，论文提出名为 LGM 的神经符号框架，核心思路是不在原始文本层面拆解记忆，而是把这一过程搬到连续潜空间里完成，让记忆的组织方式随查询动态生成，而不是事先固定。
稀疏自编码器建图
LGM 的第一项设计针对图结构本身。它不保存一张固定不变的图，而是用稀疏自编码器构建潜图：面对每一次查询，历史交互被映射成潜记忆节点，记忆痕迹被拆解为稀疏的概念激活，查询相关的关系边权重则在这一过程中动态合成。这样，同一段历史在不同查询下可以呈现不同的连接方式，静态图无法随问题变化调整的局限由此被绕开。稀疏性在这里承担了区分角色，让不同概念激活彼此分离，减少纠缠文本带来的噪声干扰。与逐条打分的扁平检索相比，这种做法利用的是片段之间的分布式信息；与查询无关的静态图相比，它把查询条件直接纳入建图环节。
查询引导消息传递
第二项设计是图编码器。它把查询嵌入当作条件化的偏好信号，用来引导非线性消息传递，消息传递的范围限定在与任务相关的潜子图上，而不是整张图。经过这一层处理，得到的记忆表示被作者描述为表达力较强，便于后续有效激活。整个流程可以理解为：先按查询把历史拆成潜节点与稀疏概念，再在查询引导下于子图内聚合信息，最终支撑个性化回复的生成。论文在长期个性化基准上做了实验，报告的结果是 LGM 在捕捉显式偏好与隐式偏好两方面都明显优于现有基线方法，同时能够给出个性化响应。
适用范围与限制
从论文给出的信息看，LGM 的适用场景是需要跨会话理解用户长期历史的个性化智能体，评价维度集中在显式偏好与隐式行为证据两类。材料没有披露具体的基准名称、数据集规模、对比基线清单以及各项指标的数值，因此无法判断提升幅度有多大，也无法确认它在其他任务上的表现。方法层面，潜图构建依赖稀疏自编码器，消息传递依赖图编码器，两者都需要针对查询实时计算，这与持久化固定图的做法在计算路径上不同，但论文摘要未给出效率或开销方面的数据。对关注长期记忆组织的读者而言，这项工作的可参考之处在于把记忆拆解从文本层移到潜空间，并让图结构随查询变化；至于实际部署中的成本与稳定性，材料中没有可供引用的结论。
为什么值得看
解决长期记忆中的纠缠难题，提升个性化智能体的跨会话推理能力。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。