MM 记忆算法更新日志

MM-5

Coming soon.

MM-4.4 | 2024-11-18

本次为常规更新，使用新增数据训练记忆公式算法并迭代 MMDB。相比 MM-4.3，此次更新降低了用户 12% 的复习压力。

MM-4.3 | 2024-03-29

由于 MMDB 的架构限制了墨墨记忆算法的灵活性和拓展性，我们计划升级到记忆公式算法。为了验证记忆公式算法的可靠性，MM-4.3 通过从公式记忆算法中采样赋值的方式迭代了新一版的 MMDB。相比 MM-4.2，此次更新降低了用户 3% 的复习压力。

MM-4.2 | 2023-10-24

增加了对首次反馈为认识的单词的复习间隔限制规则，减少部分复习间隔过于激进的问题。

MM-4.1 | 2022-09-16

在本次更新中，我们进一步细化了用户记忆能力维度，并对不同记忆能力水平的用户设置了不同的保留率阈值，分别优化复习压力。

MM-4 | 2022-07-11

在本次更新中，我们引入了 MRL (Memory Recall Level)，完善了记忆模型的用户个体记忆差异一维。根据 BMMS 收集到的 FSR 数据，我们将用户的记忆能力映射到 [-1, 1] 的区间上，并根据数值大小来分配不同的 MMDB 用于规划复习。

MM-3.2 | 2022-04-14

由于 SSP-MMC 算法对记忆预测模型的误差较为敏感，为了提高系统稳健性，MM-3.2 改用记忆保留率阈值策略，结合在记忆稳定性和单词难度的状态空间中的网格搜索，继续迭代 MMDB 中的最优复习间隔。相比 MM-3.1，此次更新提升用户 4% 的学习效率。

MM-3.1 | 2021-12-20

为了提高最优复习间隔的迭代收敛速度，MM-3.1 采用带权线性回归算法来估计每条遗忘曲线对应的记忆稳定性。同时，为了进一步优化复习间隔、提高用户记忆效率，我们提出了期望最短复习耗时算法，该算法原理上类似于最短路算法，能够在给定记忆模型和复习成本的情况下，找到期望耗时最少的复习策略。该算法在多次迭代后被形式化为 SSP-MMC 算法，于 2022 年发表在 ACM SIGKDD 的论文上（请参阅：优化间隔重复调度的随机最短路径算法）。

MM-3.0 | 2021-08-10

MM-3.0 引入了割线算法，用于解决最优复习间隔搜索算法在遗忘曲线数据中遇到的数据稀疏问题。通过割线算法来迭代 MMDB，使得为每个难度的单词计算前 8 次反馈的最优复习间隔成为可能。在本次更新中，FCM 也扩展到了 10 个难度上，同时追踪上千条遗忘曲线的数据情况。相比 MM-2，此次更新进一步降低了用户 10% 的复习压力。

MM-2 | 2021-06-10

在这个版本中，我们搭建了遗忘曲线监控 FCM (Forgetting Curve Monitor)，用于追踪不同认知过程下的遗忘曲线。基于这一监控数据，我们能够在不同反馈序列下的遗忘曲线中搜索最优复习间隔。前 8 次反馈的最优复习间隔在本次更新中添加到了 MMDB 中，相比 MM-1，降低了用户 5% 的复习压力。

MM-1 | 2016

在这个版本中，我们提出了单词难度排名 WDR (Words Difficulty Rank) 算法。通过分析 BMMS 中收集的 FSR 数据，我们发现在熟知度相同的情况下，对单词安排相同的间隔，会得到不同的遗忘率。这说明不同单词的记忆难度并不相同。在 WDR 1.0 中，单词被划分为 10 个难度。不同难度单词的首次最优复习间隔不同，我们开发了记忆矩阵数据库 MMDB (Memory Matrix Database) 来记录单词难度与首次最优复习间隔之间的映射关系。

MM-0 | 2015

MM-0 是墨墨背单词正式投入生产的初代算法 。在这个版本中，我们发明了单词熟知度 FM (Familiarity) 的概念。反馈认识时，熟知度将提高。反馈模糊时，熟知度将下降。反馈忘记时，熟知度将重置。

为了进一步研究记忆，我们开发了大数据记忆矩阵系统 BMMS (Big Data Memory Matrix System)，用于收集用户的记忆行为数据。这些数据被存储在全量学习数据 FSR (Full Study Record) 中。

通过分析这些数据，我们开发了熟知度间隔矩阵 FVI (Familiarity vs. Interval)，为每个熟知度记录下一次复习间隔，用于用户学习规划。