Apprendimento delle Preferenze dell'Utente Tramite Interazione per una Collaborazione a Lungo Termine

Learning User Preferences Through Interaction for Long-Term Collaboration

January 6, 2026

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

cs.AI

Abstract

Man mano che gli agenti conversazionali accumulano esperienza nella collaborazione con gli utenti, l'adattamento alle preferenze degli utenti diventa essenziale per favorire relazioni a lungo termine e migliorare la qualità della collaborazione nel tempo. Introduciamo MultiSessionCollab, un benchmark che valuta la capacità degli agenti di apprendere le preferenze degli utenti e di sfruttarle per migliorare la qualità della collaborazione attraverso più sessioni. Per sviluppare agenti che abbiano successo in questo contesto, presentiamo agenti collaborativi a lungo termine dotati di una memoria che persiste e perfeziona le preferenze dell'utente man mano che l'esperienza interattiva si accumula. Inoltre, dimostriamo che è possibile derivare segnali di apprendimento dal comportamento del simulatore di utenti in MultiSessionCollab per addestrare gli agenti a generare riflessioni più complete e aggiornare la propria memoria in modo più efficace. Esperimenti estensivi mostrano che dotare gli agenti di memoria migliora la collaborazione a lungo termine, producendo tassi di successo del compito più elevati, interazioni più efficienti e una riduzione dello sforzo dell'utente. Infine, conduciamo uno studio con utenti umani che dimostra come la memoria contribuisca a migliorare l'esperienza utente in contesti reali.

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.