Temporal Evidence Forests for Long-Horizon Multi-Party Conversational Memory

مسئله

تعامل‌های چندنفره‌ی طولانی جزئیات خیلی بیشتری انباشته می‌کنند و تصمیم‌ها بارها به‌روز می‌شوند و وضعیت‌ها بین شرکت‌کننده‌ها و مرحله‌ها تغییر می‌کنند. مثلاً در یک گروه کاری، تاریخ تحویل سه بار در طول دو هفته عوض شده و هر بار کس دیگری آن را اعلام کرده است. اطلاعات مرتبط اغلب در بازه‌های کوتاه متراکم است و گذار بین وضعیت‌ها ترتیب زمانی دقیقی دارد. چارچوب‌های حافظه‌ی آگاه از زمان، زمان را فقط فراداده می‌بینند یا برای هدایت بازیابی به کار می‌برند.

روش

چارچوب T-Mem تعامل‌ها را نگه می‌دارد و شواهد مرتبط با پرسش را با دو سازوکار زمانی سازمان می‌دهد. «کشف شواهد زمانی» از تراکم محلی پیام‌های مرتبط برای بازیابی شواهد نادیده‌مانده استفاده می‌کند؛ «ساختاردهی حافظه‌ی زمانی» گذار وضعیت‌ها و روابط پشتیبان را در طول زمان مدل می‌کند و بازه‌های کم‌اطلاعات را در جنگل حاصل فشرده می‌کند. سپس جنگل شواهد برای تولید پاسخ خطی‌سازی می‌شود.

یافته‌ها

• روی دو بنچمارک حافظه‌ی چندنفره‌ی بلندمدت، در مدل‌های زبانی، تنظیمات پارامتر، حوزه‌ها و انواع پرسش مختلف پیوسته از چارچوب‌های حافظه‌ی رقیب بهتر بود.
• استفاده از ساختار زمانی هم برای بازیابی شواهد متراکم محلی و هم برای بازسازی کامل روند رویدادها مؤثر بود.

محدودیت‌ها

نویسنده‌ها می‌گویند کشف شواهد زمانی به پیام‌های اولیه‌ی بازیابی‌شده به عنوان لنگر وابسته است و با بودجه‌ی بازیابی اولیه‌ی کوچک، لنگرها ممکن است برای تشکیل خوشه‌ی قابل اعتماد کافی نباشند یا اصلاً قسمت مرتبط را پوشش ندهند.