从同理心到个性化同理心：针对个人用户调整同理心策略

随着大语言模型（LLM）越来越多地部署在与用户的长期交互中，同理心已成为越来越重要的能力。然而，现有研究忽视了用户的人格特质对长期互动过程中移情策略的影响。为了解决这一差距，我们引入了个性化同理心任务，其重点是根据用户历史记录中的个性化特征来调整同理心策略。为了研究和增强这种能力，我们构建了 PersonaEmp，这是一个基于长期用户与人工智能交互构建的个性化同理心数据集，具有丰富的用户历史、角色信息和寻求同理心的查询。我们进一步提出了 PereGRM，一种奖励建模框架，它将同理心评估结构与动态评估标准生成相结合，用于细粒度奖励建模。不同设置和多个判断模型的实验结果表明，PereGRM 始终实现了最强的性能改进，表明其在增强个性化共情能力方面的有效性。