CRIM：可组合复用的物品记忆用于个性化检索

论文提出可复用物品记忆 CRIM，降低个性化检索重复编码成本。

资讯摘要

论文提出 CRIM 框架，将物品级语义编码与请求级历史建模分离：用少量可学习摘要 token 把每个物品压缩为连续记忆，并引入段级 REC token 在交互历史中提供预测监督。这些记忆与用户、查询无关，可跨请求复用；推理时按交互顺序组合缓存记忆并可选加入查询，减少重复物品文本编码。作者报告在 MovieLens-1M、Qilin 及新数据集 LazSeq 上取得更优检索性能并降低推理成本，将公开代码与数据集。

要点速读

1. CRIM 用可学习摘要 token 将物品压缩为与用户、查询无关的连续记忆，可跨请求复用。
2. 引入段级 REC token 在交互历史内提供预测监督，推理时按交互顺序组合缓存记忆生成个性化检索表示。
3. 联合训练结合缓存记忆与少量实时重编码，作者报告在 MovieLens-1M、Qilin、LazSeq 上检索性能领先且推理成本更低。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/28 08:00:17（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。