變動偏好的記憶擷取

研究論文提出一個針對長上下文對話系統的統一記憶擷取框架，專注於處理用戶偏好的變動性。論文指出，現有方法通常依賴啟發式檢索信號或始終啟用記憶，但這無法捕捉用戶偏好的潛在不一致狀態。為此，作者將個人化記憶擷取形式化為識別哪些歷史對話輪次能提供關於用戶隱藏偏好狀態的證據，並引入貝葉斯因子來量化每個記憶輪次的效用。透過將記憶擷取視為效用估計，模型學會識別顯著輪次並根據預期效用調節記憶使用。實驗在四個異質記憶基準測試中進行，結果顯示本方法在長上下文、偏好密集型任務中表現優異，這類任務中建模變動偏好至關重要，同時在低密度語義相似性足夠的場景中保持競爭力。