本研究提出试验-错误-解释上下文学习（TICL），有效解决语言模型输出与用户风格不一致的问题。通过试错迭代扩展学习提示，模型对齐效果显著提升，胜率达到91.5%。

本研究提出了一种新颖的风格内容感知个性化标题生成框架（SCAPE），旨在解决个性化新闻标题生成中的用户风格偏好问题。通过提取标题的内容和风格特征，并结合用户兴趣，SCAPE显著提高了标题的个性化程度，并在PENS数据集上表现优异。