ConvoDrift：多轮对话风格变化与个性化偏好数据

对话中语言风格的演变是NLP中研究不足的问题。多数风格控制数据集关注单句，或假设风格静态，遗漏用户偏好随交互变化的动态转移。我们提出ConvoDrift，在固定语义意图下建模逐步变化的对话风格语气。它建立在15727组共享多轮对话结构上，用于适应和角色条件对齐方法。每段对话包含六组提示与回复，并标注风格变化和风格方向，覆盖多种沟通体裁。我们还将语义等价但风格不同的回复配对，使用五种不同沟通风格角色标注角色条件偏好，形成补充配对数据，以受控研究语言语气的个性化和多元对齐。除数据构建外，我们开展人工验证、LLM评判以及自动词汇与语义评估。三名人工标注者针对七项李克特量表标准的平均Krippendorff alpha为0.88；词汇与语义分析显示，变化事件引起词汇变化，同时保持语义相似性。