超越对话时间：面向个性化LLM代理的时间语义记忆

记忆使大型语言模型（LLM）代理能够感知、存储并使用过去对话中的信息，这对于个性化至关重要。然而，现有方法在两个方面未能正确建模记忆的时间维度：1）时间不准确：记忆按对话时间而非实际发生时间组织；2）时间碎片化：现有方法关注点状记忆，丢失了捕捉持久状态和演变模式的持续信息。为解决这些限制，我们提出了时间语义记忆（TSM），一种建模点状记忆语义时间并支持构建和利用持续记忆的记忆框架。在记忆构建过程中，它首先建立语义时间线而非对话时间线，然后将时间连续且语义相关的信息整合为持续记忆。在记忆利用过程中，它结合查询在语义时间线上的时间意图，从而检索出时间合适、持续一致的记忆，并提供时间有效、持续一致的上下文以支持响应生成。在LongMemEval和LoCoMo上的实验表明，TSM始终优于现有方法，在准确性上实现了高达12.2%的绝对提升，证明了所提方法的有效性。