Event-Centric Memory with Query-Aware Graph Augmentation for Long-Term Conversational Agents

مسئله

ایجنت‌های گفت‌وگوی پایدار و شخصی‌سازی‌شده برای به خاطر سپردن، به‌روزرسانی و استدلال روی تاریخچه‌ی طولانی به حافظه نیاز دارند. حافظه‌های تخت سبک‌اند اما رابطه‌ی رویدادها و به‌روزرسانی وضعیت را ضمنی می‌گذارند؛ مثلاً نمی‌فهمند «کاربر دیگر گیاه‌خوار نیست» جای اطلاعات قبلی را گرفته است. حافظه‌های گرافی ساختار را صریح مدل می‌کنند اما هزینه‌ی ساخت اضافه دارند و در تاریخچه‌ی طولانی رابطه‌های نامرتبط وارد می‌کنند.

روش

چارچوب QGMem از حافظه‌ی انسان الهام می‌گیرد: تجربه به رویدادها سازمان می‌یابد و رویدادهای مرتبط با پرسش به شکل گراف، حافظه‌ی کاری می‌شوند. تاریخچه‌ی گفت‌وگو به واحدهای اتمی حافظه با نمایه‌ی رویداد تبدیل می‌شود و واحدهای مرتبط در ردپاهای پویای حافظه تثبیت می‌شوند که مسیر و وضعیت فعلی را نگه می‌دارند. هنگام پرسش، بازیابی ترکیبی نامزدها را جمع می‌کند، رتبه‌بندی دوباره‌ی آگاه از پرسش مرتبط‌ترین واحدها را فعال می‌کند و این حافظه‌ی کاری به شکل یک گراف محلی سازمان می‌یابد که به یک توکن گرافی رمزگذاری و همراه متن به مدل داده می‌شود.

یافته‌ها

• آزمایش‌ها روی شش بنچمارک و کانتکست‌های تا ۱۰ میلیون توکن بهبود پیوسته در بازیابی، ترکیب شواهد چندگامی، حل تعارض و استدلال روی گفت‌وگوهای فوق‌طولانی نشان داد.
• این بهبودها با کانتکست فشرده و هزینه‌ی استنتاج متوسط به دست آمد.

محدودیت‌ها

مقاله بخش جداگانه‌ای برای محدودیت‌ها ندارد و چکیده اندازه‌ی عددی بهبود را نمی‌گوید.