MemRerank：个性化产品重新排名的偏好记忆

基于 LLM 的购物代理越来越依赖于较长的购买历史记录和多轮交互来实现个性化，但由于噪音、长度和相关性不匹配，天真地将原始历史记录附加到提示中通常是无效的。我们提出了 MemRerank，这是一种偏好记忆框架，可将用户购买历史记录提炼为简洁的、独立于查询的信号，以进行个性化产品重新排名。为了研究这个问题，我们构建了一个以基于 LLM 的 \textbf{1-in-5} 选择任务为中心的端到端基准测试和评估框架，该任务可测量内存质量和下游重新排序效用。我们使用下游重排序性能作为监督，通过强化学习（RL）进一步训练记忆提取器。使用两个基于 LLM 的重新排序器进行的实验表明，MemRerank 始终优于无内存、原始历史和现成内存基线，以 1-in-5 的精度产生高达 \textbf{+10.61} 的绝对点。这些结果表明，显式偏好记忆是代理电子商务系统中个性化的实用且有效的构建模块。