由内而外：面向长期个性化对话系统的以用户为中心的核心记忆树演化
计算与语言
2026-01-27 v2
摘要
现有的长期个性化对话系统难以调和无限交互流与有限上下文约束之间的矛盾，常陷入记忆噪声累积、推理退化及人格不一致的困境。为应对这些挑战，本文提出了 Inside Out 框架，利用全局维护的 PersonaTree 作为长期用户画像的载体。通过初始模式约束主干并更新枝叶，PersonaTree 实现了可控生长，在保持一致性的同时完成记忆压缩。此外，我们通过带有基于过程奖励的强化学习训练了轻量级 MemListener，以生成结构化、可执行且可解释的 {ADD, UPDATE, DELETE, NO_OP} 操作，从而支持个性化树的动态演化。在响应生成阶段，直接利用 PersonaTree 在延迟敏感场景下增强输出；当用户需要更多细节时，触发智能体模式在 PersonaTree 的约束下按需引入细节。实验表明，PersonaTree 在抑制上下文噪声和保持人格一致性方面优于全文拼接及多种个性化记忆系统。值得注意的是，小型 MemListener 模型的记忆操作决策性能可媲美甚至超越 DeepSeek-R1-0528 和 Gemini-3-Pro 等强大推理模型。
引用
@article{arxiv.2601.05171,
title = {Inside Out: Evolving User-Centric Core Memory Trees for Long-Term Personalized Dialogue Systems},
author = {Jihao Zhao and Ding Chen and Zhaoxin Fan and Kerun Xu and Mengting Hu and Bo Tang and Feiyu Xiong and Zhiyu Li},
journal= {arXiv preprint arXiv:2601.05171},
year = {2026}
}