EMNLPAug, 2019

MoEL: 共情听众混合物

PDF
TL;DR本研究提出一种新的端到端的对话系统建模方法 --MoEL，能够捕捉用户情感并回复相应的情感，经人类评估显示 MoEL 在共情、相关性和流畅性方面优于多任务训练基线，并且不同监听器生成的响应的案例研究显示我们的模型具有很高的解释性。
empathetic dialogue systemsemotional responsesunderstanding user emotionsmixture of empathetic listenershuman evaluations
发现论文，激发创造
  • 情感化应答生成与状态管理

    提出了一种情感对话生成模型，采用情感感知对话管理，包括情感状态跟踪和移情对话策略选择两个部分，动态管理不同信息可帮助模型生成更具移情效果的回复。

    May, 2022

  • 多轮共情对话中的积极情感引导探究

    本文提出了一种新的任务：使用情感支持生成具有积极情感诱导的共情式对话，以促进用户情感的积极化。为了研究这一任务，我们收集了一个大规模的情感对话数据集 (PosEmoDial)，并建立了一个基准结果，同时我们将发布这个数据集和相关源代码以促进未来的研究。

    Apr, 2022

  • 情感回应生成的理论驱动数据集构建与优化

    我们提出了一种新方法，利用理论驱动的偏好数据集和优化算法来对齐 LLMs，以提高情感回应生成的质量和模型的泛化性能，并通过 EmpatheticDialogues 数据集以及 diff-EPITOME 和 BERTscore 指标来评估其效果。

    Jun, 2024

  • 共情对话回复的多维度评估

    提出了一个多维度的共情评估框架，该框架可以测量发言者表达意图以及听众感知到的共情，这两个维度之间存在相互关联，而感知到的共情与对话会话的满意程度有很高的相关性。为了自动测量对话中的共情，进行了不同的建模选项，包括使用预置的大型语言模型和基于序列到序列语言模型的分类器。经过广泛实验，表明使用序列到序列语言模型进行指导微调的分类器相对于之前的研究和竞争基准具有最好的性能。最后，对所提出的分类器的性能进行了全面的消融研究，并提出了将其作为自动对话共情评估指标的建议。

    Feb, 2024

  • 利用大型语言模型的潜力进行共情回应的生成：实证研究和改进

    大型语言模型在培养有同理心的对话、构建和谐社会关系以及发展有帮助的人工智能方面具有至关重要的作用。本研究通过实证调查了大型语言模型在生成有同理心的回应方面的性能，并提出了三种改进方法：语义上下文学习、两阶段交互生成和与知识库的结合。广泛的实验证明，我们的方法能够显著改善大型语言模型的性能，在自动评估和人工评估方面达到最先进的水平。此外，我们还探索了 GPT-4 模型模拟人工评估者的可能性。

    Oct, 2023

  • 情感回应生成的迭代联想记忆模型

    情感回应生成是理解对话表述中的认知和情感状态并生成适当回应。本文提出了一种迭代联想记忆模型 (IAMM)，通过使用新颖的二阶交互注意机制，迭代捕捉对话表述和情境、对话历史以及记忆模块 (用于存储关联词) 之间的重要关联词，从而准确而细致地理解表述。实验验证了该模型的有效性，并且语言模型的变化实验也表明关注关联词可以提高情感的理解和表达。

    Feb, 2024

  • 对话系统中受人格影响的情感生成

    使用人格特征为对话系统生成情感，通过模拟情绪转变过程来改善情感生成性能。

    Apr, 2024

  • 基于解缠技术的内容 - 情绪二元建模，用于共情式对话

    本论文旨在为共情性回应生成设计一种能够通过内容和情感视角对话历史进行编码的框架，从而生成包含内容和情感信息的回应，实验结果表明，该框架在自动和人类评估指标上均取得了最优结果，同时比先前的方法生成了更多的共情回应。

    Sep, 2022

  • 一种基于强化学习的混合专家方法用于对话管理

    使用混合专家语言模型的强化学习对话管理器表现出更大的灵活性以产生具有不同意图的合理话语，并允许强化学习专注于会话级别的对话管理。

    May, 2022

  • EmpDG：多分辨率交互式共情对话生成

    提出多分辨率对抗生成模型 EmpDG，应对情感对话生成的挑战，结合对话层级与细粒度的用户情感， 通过交互式对抗学习框架获取用户反馈， 在内容质量和情感准确性上显著优于现有基准。

    Nov, 2019