REMI：面向个性化生活推荐代理的新型因果模式记忆架构
人工智能
2025-09-09 v1
摘要
个性化 AI 助手往往难以融合复杂的个人数据和因果知识，导致给出通用建议且缺乏解释力。我们提出了 REMI，一种面向多模态生活代理的因果模式记忆架构，集成了个人因果知识图谱、因果推理引擎和基于模式的规划模块。其核心思想是在时尚、个人健康和生活规划等领域提供可解释且个性化的建议。该架构使用用户生活事件和习惯的个人因果图，进行以目标为导向的因果遍历，辅以外部知识和假设推理，并检索可适应的计划模式以生成量身定制的行动计划。大型语言模型 (LLM) 协调这些组件，生成具有透明因果解释的答案。我们概述了 CSM 系统设计，提出新的个人化和可解释性评估指标，包括个人化显著性得分和因果推理准确率，以严格评估其性能。结果表明，基于 CSM 的代理相较于基线 LLM 代理，能提供更具情境感知性和用户一致性的建议。该工作展示了记忆增强、因果推理在个性化代理中的新方法，推动了透明可信 AI 生活助手的发展。
引用
@article{arxiv.2509.06269,
title = {REMI: A Novel Causal Schema Memory Architecture for Personalized Lifestyle Recommendation Agents},
author = {Vishal Raman and Vijai Aravindh R and Abhijith Ragav},
journal= {arXiv preprint arXiv:2509.06269},
year = {2025}
}
备注
8 pages, 2 figures, Accepted at the OARS Workshop, KDD 2025, Paper link: https://oars-workshop.github.io/papers/Raman2025.pdf