Aprendizaje de las Preferencias del Usuario Mediante la Interacción para una Colaboración a Largo Plazo

Learning User Preferences Through Interaction for Long-Term Collaboration

January 6, 2026

Autores: Shuhaib Mehri, Priyanka Kargupta, Tal August, Dilek Hakkani-Tür

cs.AI

Resumen

A medida que los agentes conversacionales acumulan experiencia colaborando con usuarios, la adaptación a las preferencias del usuario es esencial para fomentar relaciones a largo plazo y mejorar la calidad de la colaboración con el tiempo. Presentamos MultiSessionCollab, un benchmark que evalúa la capacidad de los agentes para aprender las preferencias del usuario y aprovecharlas para mejorar la calidad de la colaboración a lo largo de múltiples sesiones. Para desarrollar agentes que tengan éxito en este entorno, presentamos agentes colaborativos a largo plazo equipados con una memoria que persiste y refina las preferencias del usuario a medida que se acumula la experiencia de interacción. Además, demostramos que se pueden derivar señales de aprendizaje del comportamiento del simulador de usuarios en MultiSessionCollab para entrenar a los agentes a generar reflexiones más completas y actualizar su memoria de manera más efectiva. Experimentos exhaustivos muestran que equipar a los agentes con memoria mejora la colaboración a largo plazo, logrando mayores tasas de éxito en las tareas, interacciones más eficientes y una reducción del esfuerzo del usuario. Finalmente, realizamos un estudio con usuarios humanos que demuestra que la memoria ayuda a mejorar la experiencia del usuario en entornos del mundo real.

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.