场景感知记忆区分：决定哪些个人知识应保留

智能设备已深度融入日常生活，产生了大量用户交互数据，这些数据构成了有价值的个人知识。如何高效地组织这些知识以支持个性化应用至关重要。然而，当前基于大语言模型（LLMs）的记忆写入、管理和读取研究在过滤无关信息和应对计算成本上升方面面临挑战。受人类大脑选择性注意机制的启发，本文引入了记忆区分任务。为应对大规模交互和多样化的记忆标准，我们提出了场景感知记忆区分方法（SAMD），包含两个关键模块：门控单元模块（GUM）和聚类提示模块（CPM）。GUM通过过滤非记忆性交互并聚焦于最相关的显著内容来提升处理效率；CPM则建立自适应记忆标准，指导LLMs判断哪些信息应被记住或丢弃，并分析用户意图与记忆上下文之间的关系以构建有效的聚类提示。全面的直接和间接评估验证了该方法的有效性和泛化能力。独立评估显示，SAMD能够成功召回大部分可记忆数据，并在动态场景中保持鲁棒性。此外，当集成到个性化应用中时，SAMD显著提升了记忆构建的效率和质量，从而更好地组织个人知识。