چکیده
حافظه گفت‌وگویی بلندمدت در محیط‌های چندشرکتی فراتر از بازیابی محتوای مرتبط از گفت‌وگوهای بلندمدت است؛ این حافظه باید میان هویت گوینده و محتوای سخن، ابرازین مربوط به افراد، ادراک متقابل مشارکت‌کنندگان، اطلاعات به‌اشتراک‌گذاری‌شدهٔ گروه و تغییرات وضعیت‌ها در طول زمان تمایز قائل شود. مطالعات اخیر دربارهٔ معیارهای گفت‌وگوی چندشرکتی نشان می‌دهد که سامانه‌های حافظهٔ عمومی‌هدف مبتنی بر مدل‌های زبانی بزرگ (LLM) معمولاً روابط فردی و گروهی را از دست می‌دهند یا در یکپارچه‌سازی سرنخ‌های توزیع‌شدهٔ میان اعضا، گروه‌ها و زمان دچار مشکل می‌شوند. این مسائل به‌طور جمعی دو گلوگاه اصلی را آشکار می‌کنند: نسبت‌دهی پیام‌ها و درک رابطه‌ای در گفت‌وگوی چندشرکتی، و بازسازی وضعیت‌ها از تاریخچه‌های درهم‌تنیده. برای پاسخ به هر دو، ما SpeakerMem-R1 را پیشنهاد می‌دهیم: این حافظهٔ دوال‌مسیری پیام‌های عیناً منقول با برچسب گوینده و وضعیت‌های استنتاج‌شده را در قالب نمایهای سطح فرد و سطح گروه سازمان‌دهی می‌کند و سپس در زمان پرس‌وجو، شواهد هر دو مسیر را بر مبنای موجودیت، رویداد و زمان ترکیب می‌کند. برای کاهش خطاهای نسبت‌دهی، به‌روزرسانی حین ساخت حافظهٔ ساخت‌یافته و امکان استقرار محلی، ما Writer-R1 را با بهره‌گیری از SpeakerLevenshtein و بهینه‌سازی سیاست گروهی نسبی (GRPO) مشروط به گوینده آموزش می‌دهیم. SpeakerMem-R1 در GroupMemBench، SocialMemBench و EverMemBench به‌ترتیب دقت دودویی ۴۷٫۹٪، ۶۹٫۲٪ و ۶۱٫۹٪ کسب می‌کند. در رتبه‌بندی عمومی گزارش‌شدهٔ EverMemBench از سوی EverMind-AI، ما ۶۲٫۳۳٪ کسب می‌کنیم که بهترین نتیجهٔ گزارش‌شده در میان چارچوب‌های پیشرو جدید است. همچنین SpeakerMem-R1 در همهٔ ۱٬۹۸۶ سؤال LoCoMo دقت ۷۰٫۸۵٪ کسب می‌کند که آن‌ها را به‌عنوان آزمون مرزی گفت‌وگوی بلندمدت دو نفره به‌کار می‌بریم. در ارزیابی کنترل‌شده‌ای شامل ۳۰۵ سؤال، یادگیری تقویتی (RL) میانگین دقت نویسندهٔ آموزش‌دیده با تنظیم ظریف تحت نظارت (SFT) را از ۵۷٫۳۸٪ به ۶۸٫۲۰٪ افزایش می‌دهد. ما هم دقت دودویی و هم F1 مبتنی بر توکن را گزارش می‌کنیم، و بررسی‌های حذف اجزا نشان می‌دهند که مسیر عیناً منقول و مسیر ساخت‌یافته، به‌همراه نمایهای سطح فرد و سطح گروه، در رابطهٔ ارزیابی استاندارد با یکدیگر مکمل‌اند.
متن کامل
علوم کامپیوتر > محاسبات و زبان arXiv:2609.26780v1 (cs) [ارسال شده در ۲۲ سپتامبر ۲۰۲۶]
عنوان: SpeakerMem-R1: حافظه دوگانه‌مسیری مبتنی بر گوینده برای گفت‌وگوی چندطرفه
نویسندگان: هاوبو ژنگ، تان تانگ، یان چن، ویجی وانگ، یینگ‌کای وو
مشاهده فایل PDF مقاله | HTML (آزمایشی)
چکیده:
حافظه بلندمدت گفت‌وگو در محیط‌های چندطرفه فراتر از بازیابی محتوای مرتبط از مکالمات طولانی است. این حافظه باید مشخص کند که چه کسی چه گفت، هر بیانیه درباره چه کسی است، افراد یکدیگر را چگونه درک می‌کنند، اطلاعات چه مواردی در گروه مشترک است و حالات چگونه در طول زمان تغییر می‌کنند. مطالعات اخیر در زمینه معیارهای گفت‌وگوی چندطرفه نشان می‌دهد که سیستم‌های حافظه عمومی LLM موجود تمایل دارند روابط فردی و گروهی را از دست بدهند یا در ادغام ردپای پراکنده در اعضا، گروه‌ها و زمان با مشکل مواجه شوند. این مسائل دو گلوگاه اصلی را آشکار می‌کنند: اختصاص پیام و درک رابطه‌ای در گفت‌وگوی چندطرفه و بازسازی حالت از تاریخچه‌های متداخل. برای رسیدن به هر دو هدف، ما SpeakerMem-R1 را پیشنهاد می‌کنیم: حافظه دوگانه‌مسیری آن، پیام‌های واقعی با برچسب گوینده و حالات استخراج‌شده را در دیدگاه‌های سطح فردی و سطح گروهی سازمان‌دهی می‌کند و سپس شواهد هر دو مسیر را بر اساس موجودیت، رویداد و زمان در زمان پرسش ترکیب می‌کند. برای کاهش خطاهای اختصاص و به‌روزرسانی در حین ساختاری‌سازی حافظه و امکان‌پذیری اجرای محلی، ما Writer-R1 را با SpeakerLevenshtein و GRPO شرطی‌شده بر گوینده آموزش می‌دهیم. SpeakerMem-R1 در گروه‌های GroupMemBench، SocialMemBench و EverMemBench به دقت‌های باینری ۴۷.۹٪، ۶۹.۲٪ و ۶۱.۹٪ دست می‌یابد. در جدول EverMemBench عمومی EverMind-AI، این مدل به ۶۲.۳۳٪ دست می‌یابد که بهترین نتیجه گزارش‌شده در میان چارچوب‌های جدیدstate-of-the-art است. همچنین، این مدل در تمام ۱,۹۸۶ سؤال LoCoMo که به‌عنوان آزمون مرز مکالمه بلندمدت دو نفره استفاده می‌شود، به ۷۰.۸۵٪ عملکرد دست می‌یابد. در ارزیابی کنترل‌شده ۳۰۵ سؤاله، RL دقت میانگین نویسنده SFT را از ۵۷.۳۸٪ به ۶۸.۲۰٪ ارتقا می‌دهد. هم دقت باینری و هم token-F1 گزارش می‌شوند و حذف‌ها نشان می‌دهند که مسیرهای واقعی و ساختاری‌شده و هم دیدگاه‌های سطح فردی و سطح گروهی مکمل یکدیگر هستند.
یادداشت‌ها:
موضوعات: محاسبات و زبان (cs.CL)؛ هوش مصنوعی (cs.AI)؛ بازیابی اطلاعات (cs.IR)؛ یادگیری ماشین (cs.LG)
ارجاع: arXiv:2609.26780 [cs.CL] (یا arXiv:2609.26780v1 [cs.CL] برای این نسخه)
https://doi.org/10.48550/arXiv.2609.26780
تاریخچه ارسال: از هاوبو ژنگ [ایمیل] [v1] سه‌شنبه, ۲۲ سپتامبر ۲۰۲۶ ۱۷:۵۶:۱۲ UTC (۲,۰۵۵ KB)
ابزارهای بیبلیوگرافیک | نقشه‌های علمی متصل | Litmaps | Connected Papers | Bibliographic Explorer
) scite.ai فعال/غیرفعال کردن اسمارت سیتیشن‌ها (اسمارت سیتیشن‌ها چیست؟) کد، داده، رسانه کد، داده و رسانه‌های مرتبط با این مقاله alphaXiv فعال/غیرفعال کردن alphaXiv (alphaXiv چیست؟) لینک‌های کد فعال/غیرفعال کردن CatalyzeX Code Finder for Papers (CatalyzeX چیست؟) DagsHub فعال/غیرفعال کردن DagsHub (DagsHub چیست؟) GotitPub فعال/غیرفعال کردن Gotit.pub (GotitPub چیست؟) Huggingface فعال/غیرفعال کردن Hugging Face (Huggingface چیست؟) ScienceCast فعال/غیرفعال کردن ScienceCast (ScienceCast چیست؟) نمونه‌ها Demos Replicate فعال/غیرفعال کردن Replicate (Replicate چیست؟) Spaces فعال/غیرفعال کردن Hugging Face Spaces (Spaces چیست؟) Spaces فعال/غیرفعال کردن TXYZ.AI (TXYZ.AI چیست؟) مقالات مرتبط ابزارهای پیشنهاد و جستجو لینک به Influence Flower Influence Flower (Influence Flowers چیست؟) پیشنهادگاه اصلی فعال/غیرفعال کردن CORE Recommender (CORE چیست؟) نویسنده مکان موضوع درباره arXivLabs arXivLabs: پروژه‌های آزمایشی با همکاران جامعه arXivLabs یک چارچوب است که به همکاران اجازه می‌دهد ویژگی‌های جدید arXiv را مستقیماً در وب‌سایت ما توسعه دهند و به اشتراک بگذارند. هم افراد و هم سازمان‌هایی که با arXivLabs کار می‌کنند، ارزش‌های ما را در زمینه شفافیت، جامعه، عالیت و حریم خصوصی داده کاربران می‌پذیرند و از آن‌ها حمایت می‌کنند. arXiv متعهد به این ارزش‌هاست و فقط با شرکایی کار می‌کند که به آن‌ها پایبند باشند. آیا ایده‌ای برای یک پروژه دارید که برای جامعه arXiv ارزش افزوده کند؟ بیشتر درباره arXivLabs بیشتر بدانید. کدام نویسندگان این مقاله تأییدکننده هستند؟ | غیرفعال کردن MathJax (MathJax چیست؟)