LinkedInの採用エージェントのための階層型ロングターム意味記憶

要旨: 大規模言語モデル（LLM）エージェントは、パーソナライズされ文脈を理解したユーザーとの対話が不可欠な実世界の製品で、ますます利用されるようになっています。このような機能を実現する上での中核となるのが、エージェントの長期セマンティックメモリ（意味記憶）システムです。このシステムは、ノイズの多い時系列の行動データから暗黙的および明示的な信号を抽出し、構造化された形で保存し、低レイテンシでの検索を可能にします。LLMエージェント向けの産業レベルの長期メモリを構築するには、スケーラビリティ、低レイテンシ検索、プライバシー制約、ドメインをまたぐ汎用性、観測可能性という5つの課題があります。そこで本研究では、階層型長期セマンティックメモリ（HLTM）フレームワークを提案します。HLTMは、テキストデータをスキーマに整合したメモリツリーとして編成し、複数の粒度でセマンティックな知識を捉えることで、スケーラブルな取り込み、プライバシーを意識した保存、低レイテンシ検索、そして透明な来歴（プロヴナンス）を実現します。さらにHLTMは、多様なユースケースにまたがって一般化するための適応メカニズムも組み込みます。LinkedInの「Hiring Assistant（採用アシスタント）」に対して行った大規模な評価では、HLTMが回答の正確性と検索F1を10%以上有意に改善する一方で、クエリ遅延とインデックス遅延の間のパレートフロンティアを大幅に前進させることが示されました。HLTMは実運用の採用ワークフローにおける中核となるパーソナライゼーション機能を支えるために、LinkedInの「Hiring Assistant」に導入されています。