PerLTQA：用于问答中记忆分类、检索与合成的个人长期记忆数据集
计算与语言
2024-02-27 v1 人工智能
信息检索
摘要
长期记忆在个人互动中起着关键作用，考虑到长期记忆可以更好地利用对话中的世界知识、历史信息和偏好。我们的研究介绍了 PerLTQA，这是一个创新的问答数据集，结合了语义记忆和情景记忆，包括世界知识、个人资料、社会关系、事件和对话。收集该数据集旨在研究个性化记忆在问答任务中的应用，重点关注社会互动和事件。PerLTQA 包含两种类型的记忆，并为 30 个角色提供了包含 8,593 个问题的综合基准，促进了大型语言模型 (LLMs) 中个性化记忆的探索与应用。基于 PerLTQA，我们提出了一种新颖的记忆整合与生成框架，由三个主要部分组成：记忆分类、记忆检索和记忆合成。我们使用五个 LLM 和三个检索器对该框架进行了评估。实验结果表明，基于 BERT 的分类模型在记忆分类任务中显著优于 ChatGLM3 和 ChatGPT 等 LLM。此外，我们的研究强调了有效记忆整合在问答任务中的重要性。
引用
@article{arxiv.2402.16288,
title = {PerLTQA: A Personal Long-Term Memory Dataset for Memory Classification, Retrieval, and Synthesis in Question Answering},
author = {Yiming Du and Hongru Wang and Zhengyi Zhao and Bin Liang and Baojun Wang and Wanjun Zhong and Zezhong Wang and Kam-Fai Wong},
journal= {arXiv preprint arXiv:2402.16288},
year = {2024}
}