摘要
个性化生成系统通常通过请求-记忆相关性检索用户历史并注入上下文,但相关历史可能偏离偏好、重复公共信息或支持不足。本文主张仅当个人记忆能超越纯公共响应带来额外效用时才使用。我们提出TRACE-Memory,一种两阶段选择性个性化框架:第一阶段查询请求和公共上下文中缺失的用户特定信息,获取覆盖性候选池;第二阶段根据响应级别的增量效用, admitting(准入)紧凑的可溯源证据单元子集或空集。通过结构化SFT初始化、降维GRPO预热及嵌套多样本联合GRPO渐进训练策略,在Goodreads等数据集上,该方法优于随机/词汇记忆及语义检索,并实现基于公共上下文充分性的选择性个性化。
AI 推荐理由
论文提出TRACE-Memory框架,专注于个性化生成中的记忆检索与证据准入机制,核心解决记忆效用评估问题。
研究机构
Northwest Polytechnical University
论文信息