대규모 언어 모델 (LLMs)이 사용자와의 장기적인 상호작용에 점점 더 많이 배치됨에 따라, 공감 (empathy)은 점점 더 중요한 능력이 되고 있습니다. 그러나 기존 연구는 장기적인 상호작용 동안 사용자의 성격 특성이 공감 전략에 미치는 영향을 간과하고 있습니다. 이러한 격차를 해소하기 위해, 우리는 이력에서 도출된 사용자의 개인화된 특성에 따라 공감 전략을 적응시키는 데 중점을 두는 개인화된 공감 (personalized empathy) 과업을 도입합니다. 이 능력을 연구하고 향상시키기 위해, 우리는 풍부한 사용자 이력, 페르소나 (persona) 정보, 그리고 공감을 구하는 쿼리 (queries) 를 특징으로 하는 장기적인 사용자-AI 상호작용으로부터 구축된 개인화된 공감 데이터셋인 PersonaEmp를 구축합니다. 나아가 우리는 미세한 보상 모델링 (reward modeling) 을 위해 공감 평가 구조와 동적 평가 기준 생성을 결합한 보상 모델링 프레임워크인 PereGRM을 제안합니다. 다양한 설정과 여러 판사 모델 (judge models) 에 걸친 실험 결과는 PereGRM이 일관되게 가장 강력한 성능 향상을 달성함을 보여주며, 이는 개인화된 공감 능력을 향상시키는 데 있어 PereGRM의 효과를 나타냅니다.