งานวิจัยเสนอให้ระบบแนะนำผ่านบทสนทนาจำความชอบข้ามเซสชันด้วยความจำระยะยาว
งานวิจัยจาก arXiv เสนอสถาปัตยกรรมหลายเอเจนต์ที่ใช้โมเดลภาษาขนาดใหญ่ (LLM) ประสานการแนะนำสินค้าผ่านบทสนทนา โดยให้ความจำระยะยาวมีบทบาททั้งการเลือกเส้นทางและการสร้างคำค้น
ระบบแนะนำผ่านบทสนทนา (conversational recommender system) ส่วนใหญ่มักมองแต่ละเซสชันแยกกัน ทำให้จับไม่ได้ว่าความต้องการของผู้ใช้เปลี่ยนไปอย่างไรตามเวลา งานวิจัยชื่อ Memory-Aware Multi-Agent Architecture with LLM-based Orchestration for Conversational Recommendation ที่ส่งขึ้น arXiv หมวด cs.AI เสนอแนวทางแก้ด้วยการให้ LLM ทำหน้าที่เป็นตัวประสาน (orchestration) ดูแลการทำความเข้าใจความต้องการ การสร้างคำค้น และลำดับการสนทนา
จุดเด่นของงานคือการใส่ความจำระยะยาวเป็นองค์ประกอบหลักตั้งแต่ต้น ความจำนี้มีผลทั้งต่อการตัดสินใจว่าจะส่งงานให้เอเจนต์ตัวไหน และต่อการเขียนคำค้นเชิงความหมาย
ผู้วิจัยทดลองกับชุดข้อมูล Amazon Reviews และรายงานว่า ความจำช่วยลดช่องว่างเมื่อเทียบกับการระบุคำค้นชัดเจนได้สูงสุด 63 เปอร์เซ็นต์ ส่วนการมีตัวควบคุมการสนทนาเพิ่มการยอมรับคำแนะนำ 28.9 จุดเปอร์เซ็นต์ ขณะที่การให้ LLM จัดอันดับใหม่ไม่ได้เพิ่มค่า Hit@K ซึ่งเป็นตัวชี้วัดความแม่นยำของรายการแนะนำใน K อันดับแรก
อย่างไรก็ตาม ตัวเลขเหล่านี้เป็นผลที่ผู้วิจัยรายงานเอง ยังไม่พบผู้ทดสอบอิสระที่ตรวจสอบซ้ำ งานนี้ได้รับการลงรายการในหนังสือ Intelligent Systems ของ Springer หน้า 377–392 จึงยืนยันได้ว่ามีการตีพิมพ์จริง แต่ความถูกต้องของผลทดลองยังควรรอการยืนยันเพิ่มเติม
แนวคิดให้ความจำข้ามเซสชันเป็นส่วนสำคัญของระบบ ไม่ใช่แค่ตัวช่วยเสริม ซึ่งอาจเป็นทิศทางของบริการแนะนำสินค้าและคอนเทนต์ที่คนไทยใช้งานอยู่ทุกวัน แต่ผลที่ได้ยังมาจากงานวิจัยเดียวและยังไม่ถูกทดสอบซ้ำ