HyperMem：用于长期对话的超图内存

长期记忆对于对话代理保持连贯性、跟踪持续性任务以及在扩展对话中提供个性化交互至关重要。然而，现有的检索增强生成（RAG）和基于图的记忆方法大多依赖于成对关系，很难捕获高阶关联，即多个元素之间的联合依赖关系，从而导致碎片检索。为此，我们提出了 HyperMem，一种基于超图的分层内存架构，它使用超边显式地对此类关联进行建模。特别是，HyperMem 将记忆分为三个层次：主题、情节和事实，并通过超边缘对相关情节及其事实进行分组，将分散的内容统一为连贯的单元。利用这种结构，我们设计了混合词汇语义索引和从粗到细的检索策略，支持准确高效的高阶关联检索。 LoCoMo 基准测试表明，HyperMem 实现了最先进的性能，LLM 的判断准确率高达 92.73%，证明了 HyperMem 对于长期对话的有效性。