通过潜在神经符号推理解耦长期记忆

个性化智能体需要对长期历史交互推理，以推断显式偏好和隐式行为证据。早期平面检索方法独立评分记忆片段，忽视分散信息；当前结构化记忆框架则依赖与查询无关的静态图，无法捕捉上下文相关关系。原始文本记忆天然纠缠且带噪，使细粒度个性化和跨会话推理的计算成本难以承受。为此，我们提出神经符号框架LGM，将长期记忆解耦转移到连续潜在空间。第一，我们不持久化固定图，而设计带稀疏自编码器的定制潜在图构建方法：针对每个查询，将历史交互映射为潜在记忆节点，把记忆痕迹解耦为稀疏概念激活，并动态合成查询感知的关系边权重。第二，图编码器把查询嵌入作为条件偏好，引导任务专属潜在子图上的非线性消息传递，得到表达力强的记忆表示以实现有效激活。长期个性化基准上的大量实验显示，LGM在捕捉显式及隐式偏好并生成个性化回答方面显著优于先进基线。