SweetieChat：用于多场景情感支持代理的策略增强角色扮演框架

大型语言模型（LLMs）在提供有同情心的支持方面展现出巨大的潜力，但其回复往往过于冗长或公式化，无法充分满足真实场景中多样化情感支持需求。为此，我们提出一种创新的策略增强角色扮演框架，旨在模拟真实情感支持对话。具体而言，我们的方法包含两个步骤：（1）策略增强角色扮演互动，涉及 Seeker、Strategy Counselor 和 Supporter 三个关键角色，进行多样化场景的互动，以模拟真实情境并促进更丰富的对话；（2）情感支持代理训练，通过使用我们专门构建的数据集对 LLMs 进行微调。该框架下，我们开发了 \textbf{ServeForEmo} 数据集，包含超过 3.7K 条多轮对话和 62.8K 条utterances。我们进一步提出 \textbf{SweetieChat}，这是一款能够处理多样化开放域场景的情感支持代理。大量实验和人类评估均确认了该框架在增强情感支持方面的有效性，突显了其为用户提供更细致、量身定制帮助的独特能力。