Enhancing Consistency and Role-Specific Knowledge Capturing by Rebuilding Fictional Character's Persona

最近推出了Assistants API，预计文本为基础的语言模型将在各个领域，特别是角色扮演中得到积极应用。然而，一个关键挑战在于如何利用主角的人物形象：Assistants API通常由于每次信息提取部分的差异而无法实现搜索，而且它经常省略重要信息，例如主角的背景故事或关系。仅仅通过将角色人物文档作为Assistants API的输入来维护一致的人物形象是很困难的。为了解决实现稳定的人物形象一致性的挑战，我们提出了CharacterGPT，一种新颖的人物形象重建框架，以缓解Assistants API的缺点。我们的方法涉及角色人物训练(CPT)，一种有效的人物重建过程，通过从小说摘要中提取角色特征来更新角色人物形象，就像小说中的故事进展一样。在我们的实验中，我们要求每个角色在各种情境下接受五大人格测试，并分析结果。为了评估其是否能够跳出固有思维，我们让每个角色生成短篇小说。广泛的实验和人类评估表明，CharacterGPT为角色扮演代理研究提供了新的可能性。代码和结果可在以下网址查看：https://github.com/Jeiyoon/charactergpt。

如何解决角色扮演中角色个性一致性的问题？

提出了一种名为CharacterGPT的角色个性重建框架，通过角色个性训练（CPT）从小说摘要中提取角色特征，更新角色个性，并使用Big Five Inventory人格测试和小说生成测试来评估角色个性的稳定性。

实验结果表明CharacterGPT可以有效地解决角色个性一致性的问题，并且在小说生成测试中表现出色。研究代码和结果已经开源。

最近的相关研究包括Persona-Chat和GPT-2等基于文本生成的模型，以及一些使用强化学习的角色扮演模型，如DialoGPT和BERT。