个性化代理需要在长期交互历史上进行推理，以捕获显式偏好和隐式行为证据。早期的平面检索方法独立打分记忆片段，忽视了信息的分布式特性；而现有的结构化记忆框架使用与查询无关的静态图，难以建模上下文相关的关系。原始文本记忆本身纠缠且噪声较大，使得细粒度个性化和跨会话推理在计算上几乎不可行。\
为此我们提出 LGM——一种将长期记忆解耦迁移到连续潜在空间的神经符号框架。首先，放弃固定图结构，采用稀疏自编码器构建针对查询的潜在图。该模块将历史交互映射为潜在记忆节点，并通过稀疏概念激活将记忆痕迹解耦，同时动态合成查询感知的关系边权。其次，图编码器将查询嵌入视为条件偏好，引导非线性消息传递在任务特定的潜在子图上进行，从而得到高度表达性的记忆表征用于激活。\
在多个长期个性化基准上的实验表明，LGM 在捕获显式与隐式偏好方面显著超越最先进的基线，并能够生成更具针对性的响应。\
点评：LGM 通过稀疏自编码器实现了查询驱动的记忆分解，并利用条件图卷积提升了记忆检索的表达力，为长期个性化提供了可扩展的神经符号方案。