---
title: "記憶網路（Memory Networks）"
slug: memory-networks
language: zh-TW
source: https://aiterms.tw/terms/memory-networks
updated_at: 2026-06-23
tags: [對話系統, 神經網路, 機器學習, AI基礎]
ipas_term: false
---

# 記憶網路（Memory Networks）

具有外部記憶機制的神經網路架構，能夠存儲、檢索和更新信息，支持推理任務。

## 完整說明

記憶網路（Memory Networks）是一類神經網路架構，在傳統神經元網路的基礎上增加了外部記憶組件。系統可以將信息寫入記憶、從記憶中檢索相關信息，並基於檢索結果進行推理和決策。這種架構特別適合需要進行多步推理、引用外部知識或追蹤對話狀態的任務。記憶網路將記憶檢索視為可以被梯度優化的軟操作，使得整個系統可以端到端訓練。

## 常見問題

### 記憶網路中的注意機制如何工作？

注意機制計算查詢與記憶中每個條目的相似度。常見的相似度計算方法包括點積、余弦相似度或通過神經網路學習的相似度函數。相似度分數經過 softmax 歸一化，產生一個概率分佈，表示每個記憶條目的相關性權重。最後，使用這些權重對記憶條目進行加權求和，得到檢索結果。這個過程完全可微分，梯度可以反向傳播以優化相似度計算和記憶內容。

### 如何設計記憶網路中的記憶容量？

記憶容量應該根據任務的複雜度和可用資源進行設計。如果任務涉及大量事實（如完整的新聞語料庫），記憶需要足夠大；但過大的記憶會導致檢索複雜度增加。實踐中，可以從相對較小的記憶開始（如 100 到 1000 個條目），根據測試結果逐步調整。另一種策略是使用分層記憶，不同類型的信息存儲在不同的記憶層級中，優化檢索效率。

### 記憶網路是否可以像人腦一樣遺忘舊信息？

傳統的記憶網路沒有遺忘機制，所有記憶信息被同等對待。為了實現選擇性遺忘，需要在架構中添加遺忘操作。這可以通過幾種方式實現：定期清理不使用的記憶條目，使用時間衰減機制讓久遠的信息權重逐漸降低，或在訓練中加入遺忘損失。動態記憶網路等高級變體已經納入了時間感知機制，支持基於時間的記憶管理。在實踐中，選擇合適的遺忘策略有助於系統適應環境變化。

---

來源：https://aiterms.tw/terms/memory-networks
快查頁：https://aiterms.tw/terms/memory-networks
最後更新：2026/06/23
深度解說：https://aiterms.tw/learning/what-is-memory-networks