Two Tales of Persona in LLMs: A Survey of Role-Playing and Personalization

The concept of persona, originally adopted in dialogue literature, has re-surged as a promising framework for tailoring large language models (LLMs) to specific context (e.g., personalized search, LLM-as-a-judge). However, the growing research on leveraging persona in LLMs is relatively disorganized and lacks a systematic taxonomy. To close the gap, we present a comprehensive survey to categorize the current state of the field. We identify two lines of research, namely (1) LLM Role-Playing, where personas are assigned to LLMs, and (2) LLM Personalization, where LLMs take care of user personas. Additionally, we introduce existing methods for LLM personality evaluation. To the best of our knowledge, we present the first survey for role-playing and personalization in LLMs under the unified view of persona. We continuously maintain a paper collection to foster future endeavors: https://github.com/MiuLab/PersonaLLM-Survey

한 줄 요약

LLMs에서 사용자 또는 모델에 인물(persona)을 할당하는 두 가지 접근 방식을 체계적으로 분류한 최초의 서베이 논문.

핵심 기여도

LLMs에서 인물(persona)을 활용하는 연구를 **LLM Role-Playing**와 **LLM Personalization** 두 가지 주요 분류로 체계화.
**LLM Role-Playing**는 모델에 인물 할당, **LLM Personalization**은 사용자 인물에 맞춘 맞춤화를 구분.
**LLM Personalization** 연구는 사용자의 배경 정보나 히스토리 행동을 고려.
**LLM Role-Playing** 연구는 환경 피드백에 따라 인물에 따라 행동을 조정.
**LLM Personalization**과 **Role-Playing**는 동일한 시나리오에서 병행 가능.
**LLM 인물 평가 방법**을 종합적으로 정리.
연구 커뮤니티를 위한 **PersonaLLM-Survey** GitHub 저장소를 지속적으로 유지.

핵심 아이디어

LLMs는 다양한 시나리오에서 인물(persona)을 할당받거나, 사용자의 인물에 맞춰 맞춤화되어야 하는 경우가 많다. 이 논문은 이러한 두 가지 접근 방식 — **LLM Role-Playing**와 **LLM Personalization** — 을 체계적으로 분류하고, 각각의 정의와 차이점을 명확히 제시한다. **Role-Playing**는 LLM이 특정 인물(예: 판사, 의사)을 연기하며 환경 피드백에 따라 행동을 조정하는 방식이다. 반면, **Personalization**은 사용자의 배경 정보나 과거 행동을 고려해 맞춤형 응답을 생성하는 방식이다. 두 접근은 서로 다른 목표와 구동 요소를 가지지만, 동일한 시나리오에서 병행될 수 있다. 이는 LLM의 활용 범위를 확장하고, 사용자 경험을 개선하는 데 기여할 수 있다.

기술적 접근법

**LLM Role-Playing**는 인물에 따라 LLM이 특정 역할을 수행하도록 훈련.
**LLM Personalization**은 사용자의 히스토리나 배경 정보를 기반으로 맞춤형 응답 생성.
**LLM 인물 평가 방법**은 생성된 응답이 예상 인물과 얼마나 일치하는지를 평가.
**PersonaLLM-Survey** GitHub 저장소에서 관련 논문을 지속적으로 업데이트하며 연구자들이 쉽게 접근 가능.
**Section 2**에서 Role-Playing, **Section 3**에서 Personalization, **Section 4**에서 평가 방법을 각각 다룸.
**Section 5**에서는 현재의 도전 과제와 미래 연구 방향 제시.

주요 결과

**LLM Role-Playing**와 **LLM Personalization**은 각각 다른 목표와 구동 요소를 가짐.
**LLM Role-Playing**는 환경 피드백에 따라 인물에 맞는 행동을 조정.
**LLM Personalization**은 사용자의 히스토리나 배경 정보를 고려해 맞춤화.
**LLM 인물 평가 방법**은 정확도나 일관성 등을 평가하는 다양한 지표 사용.
**PersonaLLM-Survey** 저장소는 연구자들이 관련 논문을 쉽게 탐색 가능.
**Section 5**에서 현재의 도전 과제와 미래 연구 방향 제시.

의의 및 한계

**LLM Role-Playing**와 **LLM Personalization**을 체계적으로 분류한 최초의 서베이로, 연구자들이 해당 분야를 쉽게 이해하고 탐색할 수 있도록 도움.
**PersonaLLM-Survey** 저장소는 연구자들이 관련 논문을 지속적으로 업데이트하며 활용 가능.
그러나, **LLM 인물 평가 방법**에 대한 구체적인 수치나 비교 실험은 명시되지 않음.
**LLM Role-Playing**와 **Personalization**의 실제 성능 향상에 대한 수치적 증거는 부재.
**LLM 인물 할당**이 사용자 경험에 미치는 영향에 대한 실증적 연구는 아직 부족.

실용적 활용

**LLM Role-Playing**는 **LLM-as-a-judge**, **의료 상담**, **교육용 챗봇** 등 특정 역할을 수행하는 시나리오에 적용 가능.
**LLM Personalization**은 **개인 맞춤형 추천**, **사용자 맞춤형 고객 지원**, **개인화된 콘텐츠 생성** 등에 활용 가능.
**PersonaLLM-Survey** 저장소는 연구자들이 관련 분야를 탐색하고, 새로운 연구 방향을 도출하는 데 유용한 자료로 활용 가능.