StyleChat：在大型语言模型中学习背诵增强记忆以生成风格化对话

大型语言模型（LLMs）在生成任务中表现出卓越性能，受到广泛关注。其中，风格化对话生成对于构建智能且富有吸引力的对话代理至关重要。然而，LLMs 的能力依赖于数据驱动并受限于数据偏差，导致在特定任务上的表现不佳。尤其是，风格化对话生成严重缺乏监督数据。此外，尽管提出了许多基于提示的方法以完成特定任务，但它们在涉及多样对话风格的复杂真实场景中的表现仍有待提升。在本工作中，我们首先通过全面利用LLMs的生成能力引入了包含38种风格的风格化对话数据集StyleEval，该数据集经过严格的人为质量控制精心构建。在此基础上，我们提出了风格化对话框架StyleChat，采用背诵增强记忆策略和多任务风格学习策略，以促进泛化能力。为了评估我们方法的有效性，我们创建了包含生成任务和选择任务的测试基准，全面评估训练模型并判断是否能够记忆和理解风格及偏好。实验结果表明，我们提出的框架StyleChat优于所有基线方法，有助于突破LLMs的风格局限。