LLM Roleplay: Simulating Human-Chatbot Interaction

聊天机器人的开发需要收集大量人机对话，以反映用户的社会人口背景和对话目标的广度。然而，进行相关用户研究的资源需求可能过高，通常只允许针对特定对话目标和参与者人口统计数据进行狭窄的分析。在本文中，我们提出了LLM-Roleplay：一种面向目标、基于角色扮演的方法，用于自动生成多样化的多轮对话，模拟人机交互。LLM-Roleplay可用于生成任何类型的聊天机器人对话，并使用大型语言模型（LLMs）扮演文本描述的角色。为了验证我们的方法，我们收集了来自不同社会人口群体的自然人机对话，并进行人类评估，比较真实的人机对话与我们生成的对话。我们比较了最先进的LLMs在扮演角色和进行对话方面的能力，并发现我们的方法可以以高不可区分性率模拟人机对话。

自动产生多元化对话以模拟人与聊天机器人的互动，以解决收集大量人机对话的资源需求高的问题

LLM-Roleplay：一种基于角色扮演和目标导向的方法，使用大型语言模型自动生成多样化的对话，模拟人与聊天机器人的互动

使用LLM-Roleplay方法生成的对话与真实人机对话的相似度高；实验采用不同的社会人口群体收集自然人机对话，进行人机对话的生成和评估；该方法可以应用于任何类型的聊天机器人，使用大型语言模型扮演文本描述的角色

最近的相关研究包括：1. GPT-3等大型语言模型的发展；2. 基于生成对抗网络的对话生成方法；3. 基于知识图谱的对话生成方法等