MemAura:用于智能环境中个性化大语言模型推理的结构化上下文记忆系统

《Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies》:MemAura: Structured Context Memory for Personalized LLM Reasoning in Smart Environments

【字体: 大 中 小 】 时间:2026年07月20日 来源:Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies

编辑推荐:

  摘要AI总结要查看此由AI生成的总结,您需要拥有高级访问权限。了解更多登录摘要摘要基于历史背景的智能环境中的个性化服务已成为一种重要需求。一个有前景的方向是利用大型语言模型强大的推理能力。然而,实现个性化需要持续的上下文记忆。关键挑战在于如何高效地整理长期的设备与传感器日志,以及

  

摘要

摘要

基于历史背景的智能环境中的个性化服务已成为一种重要需求。一个有前景的方向是利用大型语言模型强大的推理能力。然而,实现个性化需要持续的上下文记忆。关键挑战在于如何高效地整理长期的设备与传感器日志,以及如何从中提取用户行为模式和偏好。为了解决这一挑战,我们提出了MemAura,一种用于智能环境的记忆管理系统。MemAura由三个核心模块组成:(1)记忆图管理器,它能高效地整理上下文记忆,支持快速检索,并向大型语言模型提供用户模式和偏好信息;(2)周期性模式预测器,可预测特定时间点的周期性行为模式和偏好;(3)用户画像方案,可将指令转化为明确的意图单元,并随着时间逐步更新和遗忘高级别用户画像。
我们在两个指令数据集上将MemAura与多种基准模型进行了对比测试。以GPT-4o作为核心模型时,MemAura的准确率可达100%,个性化率为38%-43%。即便使用轻量级本地模型,其准确率也能达到95%,平均个性化率约为37.5%。而使用相同的轻量级大型语言模型时,普通模型的准确率仅为28%-56%,个性化率最高也只有21%。Vector-RAG在轻量级模型下的准确率为54-83%,个性化率最高为25%。虽然它的表现优于普通模型,但仍落后于MemAura。实验结果表明,MemAura在不同规模的大型语言模型中都能保持较高的准确率和个性化水平,且在实际应用中具有较低的token使用量和延迟。我们还进行了一系列实验来验证MemAura的稳定性。一项有8名参与者参与的用户研究进一步证明了它的可用性。参与者们全面体验并评估了该系统的优异性能和服务质量。我们的工作使得大型语言模型能够更好地理解用户意图,高效地从上下文记忆中提取模式和偏好,从而让智能生活空间更加高效、具备更好的情境感知能力,且更以用户为中心。

AI总结

AI生成的总结(实验性内容)

此总结是通过自动化工具生成的,并非由文章作者撰写或审核。它旨在帮助读者发现相关内容、判断文章相关性,以及便于相关领域的读者理解本文内容。它是对作者提供的摘要的补充,而作者提供的摘要仍是文章的核心总结。完整文章才是最具权威性的版本。点击此处了解更多。

点击此处,可以对该总结的准确性、清晰度及实用性发表意见。您的反馈将有助于进一步优化未来的总结版本。

要查看此由AI生成的通俗语言总结,您需要拥有高级访问权限。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号