MOOM：面向超长角色扮演对话的数据抽取、组织与记忆优化
计算与语言
2025-09-18 v2
摘要
记忆抽取是维持人类-机器人角色扮演场景中超长对话连贯性的关键因素。然而，现有方法常常出现记忆增长不可控的问题。为此，我们提出了 MOOM，即首个双分支记忆插件，借助文学理论构建，通过将情节发展和人物描写建模为核心叙事要素来实现记忆管理。具体而言，一个分支跨多个时间尺度总结情节冲突，另一个分支提取用户人物轮廓。MOOM 进一步集成了受「竞争抑制」记忆理论启发的遗忘机制，以约束记忆容量并缓解不可控的记忆增长。此外，我们还构建了 ZH-4O，即为角色扮演专门设计的中文超长对话数据集，包含平均 600 轮的对话并包含手动标注的记忆信息。实验结果表明，MOOM 在所有最新技术的记忆抽取方法中均表现优异，同时在保持可控记忆容量的同时，所需的大语言模型调用次数显著减少。
引用
@article{arxiv.2509.11860,
title = {MOOM: Maintenance, Organization and Optimization of Memory in Ultra-Long Role-Playing Dialogues},
author = {Weishu Chen and Jinyi Tang and Zhouhui Hou and Shihao Han and Mingjie Zhan and Zhiyuan Huang and Delong Liu and Jiawei Guo and Zhicheng Zhao and Fei Su},
journal= {arXiv preprint arXiv:2509.11860},
year = {2025}
}