Key points are not available for this paper at this time.
Les systèmes de dialogue en domaine ouvert ont connu des avancées remarquables avec le développement des grands modèles de langage (LLMs). Néanmoins, la plupart des systèmes de dialogue existants se concentrent principalement sur des interactions brèves en session unique, négligeant les besoins réels de compagnonnage à long terme et d'interactions personnalisées avec les chatbots. Essentiels pour répondre à ce besoin réel sont le résumé d'événements et la gestion de la persona, qui permettent un raisonnement pour des réponses appropriées dans le dialogue à long terme. Les progrès récents dans les capacités cognitives et de raisonnement humaines des LLMs suggèrent que les agents basés sur LLM pourraient considérablement améliorer la perception automatisée, la prise de décision et la résolution de problèmes. En réponse à ce potentiel, nous introduisons un cadre agnostique au modèle, le Long-term Dialogue Agent (LD-Agent), qui incorpore trois modules réglables indépendamment dédiés à la perception d'événements, l'extraction de persona et la génération de réponses. Pour le module mémoire d'événements, des banques de mémoire à long et court terme sont utilisées pour se concentrer séparément sur les sessions historiques et en cours, tandis qu'un mécanisme de récupération basé sur les sujets est introduit pour améliorer la précision de la récupération de mémoire. De plus, le module persona réalise une modélisation dynamique des personas pour les utilisateurs et les agents. L'intégration des mémoires récupérées et des personas extraits est ensuite introduite dans le générateur pour induire des réponses appropriées. L'efficacité, la généralité et les capacités inter-domaines de LD-Agent sont démontrées empiriquement à travers divers benchmarks illustratifs, modèles et tâches. Le code est publié sur https://github.com/leolee99/LD-Agent.
Building similarity graph...
Analyzing shared references across papers
Loading...
Hao Li
Chenghao Yang
An Zhang
Building similarity graph...
Analyzing shared references across papers
Loading...
Li et al. (Sun,) ont étudié cette question.
www.synapsesocial.com/papers/68e6586db6db6435875e7423 — DOI: https://doi.org/10.48550/arxiv.2406.05925
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: