Het Leren van Gebruikersvoorkeuren via Interactie voor Langdurige Samenwerking

Learning User Preferences Through Interaction for Long-Term Collaboration

January 6, 2026

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

cs.AI

Samenvatting

Naarmate conversationele agents ervaring opdoen in samenwerking met gebruikers, is aanpassing aan gebruikersvoorkeuren essentieel voor het bevorderen van langdurige relaties en het verbeteren van de samenwerkingskwaliteit over tijd. Wij introduceren MultiSessionCollab, een benchmark die evalueert hoe goed agents gebruikersvoorkeuren kunnen leren en benutten om de samenwerkingskwaliteit gedurende meerdere sessies te verbeteren. Om agents te ontwikkelen die hierin slagen, presenteren wij langetermijnsamenwerkingsagents die zijn uitgerust met een geheugen dat gebruikersvoorkeuren persistent opslaat en verfijnt naarmate de interactie-ervaring toeneemt. Verder tonen wij aan dat leer-signalen afgeleid kunnen worden uit het gedrag van gebruikerssimulators in MultiSessionCollab om agents te trainen om uitgebreidere reflecties te genereren en hun geheugen effectiever bij te werken. Uitgebreide experimenten tonen aan dat het uitrusten van agents met geheugen de langetermijnsamenwerking verbetert, wat resulteert in hogere taaksuccespercentages, efficiëntere interacties en verminderde gebruikersinspanning. Ten slotte voeren wij een gebruikersstudie met mensen uit die aantoont dat geheugen helpt de gebruikerservaring in realistische settings te verbeteren.

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.