PREFINE：通过模拟用户批评家和用户特定评价标准实现个性化故事生成

将故事生成个性化以适应 individual 用户仍是自然语言生成领域的核心挑战。现有方法通常需要显式的用户反馈或微调，这在可用性、可扩展性和隐私方面存在实际关切。本文引入了 PREFINE（Persona-and-Rubric Guided Critique-and-Refine），一种新的批评-精炼框架，使故事生成能够在无需用户反馈或参数更新的情况下实现个性化。PREFINE 从用户的交互历史构建伪用户代理，并生成用户特定的评价标准（评估准则）。这些组件用于批评和迭代细化故事草稿，以符合用户偏好。我们在两个基准数据集上对 PREFINE 进行评估，分别是 PerDOC 和 PerMPST，并将其与现有方法进行比较。无论是自动评估还是人类评估，都表明 PREFINE 在保持一般故事质量的同时，实现了显著优于现有方法的个性化效果。值得注意的是，PREFINE 在上下文中个性化和基于批评的生成方法上均取得了显著优势，甚至能通过后处理精炼来提升已经个性化的输出。我们的分析表明，用户特定的评价标准是推动个性化的关键因素。结果表明，仅基于推理的、以评价标准为导向的个性化方法具有有效性和实际性，其潜在应用 extends 到对话、推荐和教育等领域。