SimsChat: A Customisable Persona-Driven Role-Playing Agent

大型语言模型（LLMs）具有理解人类指令和生成高质量文本的卓越能力，使它们能够充当模拟人类行为的代理人。这种能力使得LLMs能够以更高级的方式模拟人类，而不仅仅是复制简单的人类行为。然而，目前缺乏对利用LLMs来塑造角色的探索。在本文中，我们介绍了可定制的对话代理框架，该框架利用LLMs来模拟真实世界的角色，并可根据不同用户偏好进行自由定制。这个可定制的框架有助于设计可定制的角色和角色扮演代理。我们首先提出了SimsConv数据集，其中包含68个不同的定制角色，1,360个多轮角色扮演对话，总共包括13,971个交互对话。这些角色是从职业、愿望、特质和技能等几个真实世界元素中创建的。在此基础上，我们提出了SimsChat，一个可自由定制的角色扮演代理。它包括不同的真实世界场景和特定主题的角色交互对话，模拟角色在各种情境和特定情绪下的生活经历和主题特定的交互。实验结果表明，我们提出的框架实现了良好的性能，并为未来构建更好的人类模拟体提供了有益的指导。我们的数据和代码可在https://github.com/Bernard-Yang/SimsChat上获得。

本论文旨在探索利用大型语言模型（LLMs）来设计可自定义的对话代理人，以模拟真实世界中的角色，并针对不同用户需求进行自由定制。

该论文提出了可自定义的对话代理人框架，使用LLMs来模拟真实世界中的角色，包括职业、愿望、特质和技能等方面。同时，作者还提出了SimsConv数据集，包含68个不同的自定义角色和1360个多轮角色扮演对话，总共包含13971个交互对话。

论文的亮点包括提出了可自定义的对话代理人框架和SimsConv数据集，并且使用了真实场景和特定主题的角色交互对话来模拟角色的生活经历。实验结果表明，该框架具有良好的性能，并为未来构建更好的人类模拟器提供了有价值的指导。作者已在Github上开源了数据和代码。

最近的相关研究包括使用LLMs进行自然语言生成、对话系统和情感识别等领域的研究。