具有分层信念状态记忆的代理推荐系统

记忆增强型 LLM 代理具有先进的个性化推荐，但现有方法普遍采用平面记忆表示，将短暂信号与稳定偏好混为一谈，并且没有一个方法提供完整的生命周期来控制记忆如何演化。我们提出了 MARS（记忆增强代理推荐系统），这是一个框架，它将推荐视为部分可观察的问题，并保持结构化的信念状态，逐步将嘈杂的行为观察抽象为对用户偏好的紧凑估计。 MARS 将这种信念状态分为三层：事件记忆缓冲原始信号，偏好记忆通过明确的强度和证据跟踪来维护细粒度的可变块，而概况记忆将所有偏好提炼成连贯的自然语言叙述。六种操作的完整生命周期——提取、强化、弱化、巩固、遗忘和再合成——是由基于 LLM 的规划器自适应调度的，而不是固定间隔启发式的。在四个 InstructRec 基准域上进行的实验表明，MARS 实现了最先进的性能，与最强基线相比，HR@1 平均提高了 26.4%，NDCG@10 平均提高了 10.3%，并且在不断发展的环境中通过代理调度获得了进一步的收益。