arXiv cs.CL· Sizhe Wang, Xinghao Fang, Rui Qiu, Zhenjia Ma, Dagui Chen, Kun Kuang, Hongcheng Guo·· 14 小时前AI 评分34
BehaviorMem：从真实电商行为流构建并评估用户记忆
BehaviorMem: Building and Evaluating User Memory from Real-World E-Commerce Behavior Streams
AI 导读
研究提出 BehaviorMemBench 基准与 BehaviorMem 记忆方法，用于从电商行为日志中同时支持并分别评估“记住”与“推断”两类用户记忆能力。
正文 · AI 翻译
摘要：用户记忆帮助个性化系统基于对用户随时间推移的理解进行构建。在电子商务中，用户通过明确的语言以及与产品的隐式交互来传达其偏好和需求。我们研究基于这些交互日志构建的记忆，考察它如何\emph{记住}具体证据和已确立的兴趣，并利用这些证据来\emph{推断}潜在的需求和偏好，从而为超出充分观察的产品领域的判断提供依据。现有的记忆方法主要针对基于语言的交互，而评估提供的真实行为数据有限，且对这些能力的区分也有限。这使得如何共同支持并分别评估基于行为日志的记忆与推断仍是一个未解决的问题。我们围绕这些共同需求来形式化持续行为用户记忆问题，并开发专门的评估框架和记忆方法来解决它们。\textbf{BehaviorMemBench} 是一个基于真实电子商务日志构建的基准，涵盖 1{,}194 名用户和超过三年间的 17{,}462 个行为批次，具有自动的未来行为标签和任务无关的记忆接口，可在统一协议下分别评估记忆与推断。\textbf{BehaviorMem} 是一种记忆设计，它在双轴状态中跨长期和短期范围组织显式行为事实和推断出的用户特征，具有基于证据的形成、持续维护和与查询无关的读取。在两个构建器和两个任务读取器上的实验表明，BehaviorMem 在记忆和推断方面领先于所评估的智能体记忆，并揭示了两种能力下不同的方法排名以及具有竞争力的统计基线。在公开数据集上的验证进一步支持了其基于行为历史对下游任务的有用性。
| 学科： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2610.34790 [cs.CL] |
| （或 arXiv:2610.34790v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.34790 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Sizhe Wang [查看电子邮件]
[v1]
2026年10月26日星期一 03:32:04 UTC（421 KB）
来源：arXiv cs.CL · arxiv.org