arXiv cs.CL· Haokun Wen, Xuemeng Song, Mong-Li Lee, Wynne Hsu·· 13 小时前AI 评分27
PERPL：基于相对偏好为不同读者个性化改写事实核查解释
Same Verdict, Different Readers: Personalizing Fact-Checking Explanations from Relative Preferences
AI 导读
研究者提出 PERPL 框架，通过 LLM 模拟读者的相对偏好学习个性化改写，在保留事实忠实度的同时让事实核查解释适配不同读者。该框架先用跨人设互配对构建偏好监督，再以探索引导的偏好优化训练轻量改写器，使其能发现预定义风格之外的偏好解释。实验显示 PERPL 在个性化偏好对齐上优于规模更大的通用 LLM，并保持高事实忠实度。
正文 · AI 翻译
摘要：事实核查解释帮助网络用户理解某一说法为何得到相应判定，但同一解释未必能满足背景和偏好各异的读者。我们提出忠实个性化事实核查解释改写任务，即在保持事实忠实性的同时，将现有解释适配到个体读者。我们不依赖读者撰写的参考解释，而是从 LLM 模拟读者的相对偏好中学习个性化改写。然而，这带来两个挑战：区分特定人设偏好与一般解释质量，以及学习超越有限预定义解释风格。为应对这些挑战，我们提出基于偏好学习的个性化解释改写（PERPL），该框架由两个组件构成。模拟偏好构建通过跨人设互惠配对，从模拟读者偏好中导出特定人设的监督信号。渐进偏好学习首先在构建的监督信号上训练一个轻量级改写器，然后通过探索引导的偏好优化对其进行精炼，使其能够发现预定义风格之外的偏好解释。大量实验表明，PERPL 在个性化偏好对齐方面优于规模大得多的通用 LLM，同时保持高事实忠实性。
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2610.37380 [cs.CL] |
| （或 arXiv:2610.37380v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.37380 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Haokun Wen [查看电子邮件]
[v1]
2026年10月27日星期二 15:08:30 UTC（1,064 KB）
来源：arXiv cs.CL · arxiv.org