arXiv cs.CL· Junyou Guo, Chongyang Tao, Yan He, Yong Wang, Shuai Ma·· 6 天前AI 评分25
T-Mem：面向长程多方对话记忆的时间证据森林框架
Temporal Evidence Forests for Long-Horizon Multi-Party Conversational Memory
AI 导读
针对 LLM 智能体长期多方交互中时间结构难以利用的问题，研究者提出 T-Mem 记忆框架，通过时间证据发现与时间记忆结构化两项机制恢复局部密集证据并重建事件演进，再经证据森林线性化生成答案。在两个长期多方记忆基准上，T-Mem 在不同 LLM、参数设置、领域和查询类型下均持续优于现有竞争性记忆框架。
正文 · AI 翻译
摘要：长期记忆已被广泛用于基于 LLM 的智能体，以支持持续交互和个性化辅助。然而，长期多方交互会积累大量更详细的信息，决策被反复更新，状态在参与者和交互阶段之间不断演变。因此，时间结构对于追踪此类记忆至关重要：相关信息往往在短时间间隔内密集出现，而不同状态之间的转换则由严格的时间顺序锚定。现有的时间感知记忆框架主要将时间存储为元数据，或使用时间信号来指导对预构建记忆结构的检索，而没有利用时间结构来同时恢复局部集中的证据并重建其完整的事件进程。为解决这些局限，我们提出 T-Mem，一种基于时间结构的记忆框架，通过两种时间机制保留交互并组织与查询相关的证据。时间证据发现利用相关消息的局部集中性来恢复被忽视的证据，而时间记忆结构化则对状态转换和随时间变化的支撑关系进行建模，并在生成的森林中压缩低信息量的片段。随后，证据森林线性化将结构化证据序列化以用于答案生成。在两个长期多方记忆基准上的实验表明，T-Mem 在不同 LLM、参数设置、领域和查询类型上均持续优于有竞争力的记忆框架。
| 评论： | 32 页，包括附录 |
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2610.12874 [cs.CL] |
| （或 arXiv:2610.12874v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.12874 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Junyou Guo [查看邮箱]
[v1]
2026年10月9日星期五 02:05:38 UTC（5,012 KB）
来源：arXiv cs.CL · arxiv.org