Lernen von Benutzerpräferenzen durch Interaktion für langfristige Zusammenarbeit

Learning User Preferences Through Interaction for Long-Term Collaboration

January 6, 2026

papers.authors: Shuhaib Mehri, Priyanka Kargupta, Tal August, Dilek Hakkani-Tür

cs.AI

papers.abstract

Da Konversationsagenten zunehmend Erfahrung in der Zusammenarbeit mit Nutzern sammeln, ist die Anpassung an Nutzerpräferenzen entscheidend, um langfristige Beziehungen zu fördern und die Qualität der Zusammenarbeit kontinuierlich zu verbessern. Wir stellen MultiSessionCollab vor, einen Benchmark, der bewertet, wie gut Agenten Nutzerpräferenzen erlernen und nutzen können, um die Zusammenarbeit über mehrere Sitzungen hinweg zu verbessern. Um erfolgreiche Agenten für dieses Szenario zu entwickeln, präsentieren wir langfristig kollaborative Agenten, die mit einem Gedächtnis ausgestattet sind, das Nutzerpräferenzen persistent speichert und mit zunehmender Interaktionserfahrung verfeinert. Des Weiteren zeigen wir, dass aus dem Verhalten von Nutzersimulationen in MultiSessionCollab Lernsignale abgeleitet werden können, um Agenten zu trainieren, umfassendere Reflexionen zu generieren und ihr Gedächtnis effektiver zu aktualisieren. Umfangreiche Experimente belegen, dass die Ausstattung von Agenten mit Gedächtnis die langfristige Zusammenarbeit verbessert, was zu höheren Aufgaben-Erfolgsraten, effizienteren Interaktionen und reduziertem Nutzungsaufwand führt. Abschließend führen wir eine Nutzerstudie durch, die zeigt, dass Gedächtnisfunktionen die Nutzererfahrung in realen Anwendungsszenarien verbessern.

English

As conversational agents accumulate experience collaborating with users, adapting to user preferences is essential for fostering long-term relationships and improving collaboration quality over time. We introduce MultiSessionCollab, a benchmark that evaluates how well agents can learn user preferences and leverage them to improve collaboration quality throughout multiple sessions. To develop agents that succeed in this setting, we present long-term collaborative agents equipped with a memory that persists and refines user preference as interaction experience accumulates. Moreover, we demonstrate that learning signals can be derived from user simulator behavior in MultiSessionCollab to train agents to generate more comprehensive reflections and update their memory more effectively. Extensive experiments show that equipping agents with memory improves long-term collaboration, yielding higher task success rates, more efficient interactions, and reduced user effort. Finally, we conduct a human user study that demonstrates that memory helps improve user experience in real-world settings.