Aprendizagem das Preferências do Utilizador através da Interação para Colaboração de Longo Prazo
Learning User Preferences Through Interaction for Long-Term Collaboration
January 6, 2026
Autores: Shuhaib Mehri, Priyanka Kargupta, Tal August, Dilek Hakkani-Tür
cs.AI
Resumo
À medida que os agentes conversacionais acumulam experiência na colaboração com utilizadores, a adaptação às preferências dos utilizadores é essencial para promover relações de longo prazo e melhorar a qualidade da colaboração ao longo do tempo. Apresentamos o MultiSessionCollab, um benchmark que avalia a capacidade dos agentes para aprender as preferências dos utilizadores e utilizá-las para melhorar a qualidade da colaboração ao longo de múltiplas sessões. Para desenvolver agentes bem-sucedidos neste contexto, propomos agentes colaborativos de longo prazo equipados com uma memória que persiste e refina as preferências do utilizador à medida que a experiência de interação se acumula. Além disso, demonstramos que sinais de aprendizagem podem ser derivados do comportamento do simulador de utilizador no MultiSessionCollab para treinar agentes a gerar reflexões mais abrangentes e atualizar a sua memória de forma mais eficaz. Experiências extensivas mostram que equipar agentes com memória melhora a colaboração de longo prazo, resultando em taxas de sucesso de tarefas mais elevadas, interações mais eficientes e redução do esforço do utilizador. Por fim, realizamos um estudo com utilizadores humanos que demonstra que a memória ajuda a melhorar a experiência do utilizador em contextos do 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.