AI Papers Daily

#Evidence Retrieval

2 篇

AtomRec: Evolving Atomic Memory for Agentic Recommendation

原子化演化记忆驱动的智能体推荐系统

🧭 Agentic 推荐中的记忆演化与证据检索 ★ 深度解读

Xi'an Jiaotong-Liverpool University · Xiaohongshu · Peking University · East China Normal University · Beijing Jiaotong University

用结构化原子记忆与语义链接替代粗粒度摘要，实现可解释证据路径检索的 agentic 推荐

📌 工作参考价值（4 点）

• 将用户记忆拆成结构化原子单元（content/keywords/tags/context/embedding/links），而不是单一长摘要。电商场景可对用户兴趣建立粒度更细的原子标签（如品类+价格带+风格+最近意图），方便选择性更新和检索，避免新行为覆盖旧偏好。
• 用 LLM 对近邻记忆做语义关系建模（如偏好转移、互补、跨域迁移），构建可解释的协作链接，而不仅是 embedding 相似度。推荐召回或重排时，可沿链路检索多跳证据路径，提升排序可解释性和准确性。
• 记忆演化采用字段级更新，保留原始时间戳，用相似度阈值控制演化保守度（论文选 τ_evo=0.7）。此做法可异步离线执行，线上只做检索与重排，控制时延；对偏好漂移较大的用户增益更明显，适合电商中兴趣变化快的场景。
• 成本上，原子构建、链接、演化可缓存和批量处理，线上额外开销有限（每千次交互成本约 $2.95，略高于 MemRec 的 $2.65）。实际部署可用更轻量的模型做记忆代理，平衡成本与效果。

Agent | 2026-09-04 | cs.IR | score 10/10

Agent MemoryLLMRecommender SystemsCollaborative FilteringMemory EvolutionEvidence Retrieval

EM^2Mem: Event-Centric Multimodal Memory for Large Language Models

EM^2Mem：面向大语言模型的事件中心多模态记忆

🧭 多模态 RAG · 事件索引

Zhejiang University · South China University of Technology · Lenovo Group Limited

以事件为中心组织多模态记忆，将异构证据绑定到事件锚点，提升长视频 QA 精度并大幅降低推理成本

📌 工作参考价值（3 点）

• 直播/商品视频问答：按业务事件（商品讲解、优惠发放、试用对比）建立事件索引，把对应帧、ASR、OCR、商品卡片绑定到事件 cell；检索时直接返回完整事件单元，避免 agent 在推理时拼接零散多模态片段，降低延迟与 token 开销（论文减少 63.66% tokens、4.67× 延迟）。
• 召回/证据评测：引入 strict event-level Top-K evidence recall，评估检索结果是否覆盖关键事件而非只看最终答案准确率，可用于商品知识库、直播切片或广告素材检索的离线评测。
• 用户行为记忆：将 session 内行为序列按事件（搜索、点击、加购、下单）聚合为 memory cell，绑定跨通道特征、时间与商品关系，为 LLM 推荐/导购 Agent 提供紧凑、可溯源的上下文，减少推理时的对齐成本。

RAG | 2026-09-01 | cs.MM | score 6/10

Multimodal MemoryEvent-CentricLong-Video QARAGLLMEvidence Retrieval