EMNLPSep, 2019

文本对话情感检测的知识增强 Transformer

PDF
TL;DR本文提出了一种知识增强型 Transformer (KET) 模型，结合分层自注意力机制和上下文感知情感图注意力机制，成功解决了分析对话中情绪所面临的常识和上下文理解问题，实验结果表明 KET 模型在情感检测方面表现良好，F1-score 明显高于当前最先进的模型。
emotion detectiontextual conversationsknowledge-enriched transformercontextual utterancesaffective graph attention
发现论文，激发创造
  • 面向话题和知识的对话情感检测 Transformer

    本文提出了一种名为 Topic-Driven Knowledge-Aware Transformer 的模型，包含一种话题增强语言模型、基于对话情境信息的常识语句和一种转换器，用于识别情感标签序列中的话题和情感状态。实验结果表明，该模型在对话情感检测方面表现优于现有的最先进方法。

    Jun, 2021

  • 为移情式对话生成建立知识桥梁

    通过利用外部知识，包括常识和情感词汇知识，显式理解和表达情感，以生成共情响应，并通过情感交叉注意力机制从情感上理解和表达情感交互。

    Sep, 2020

  • 情感感知的 Transformer 编码器用于共情对话生成

    该研究提出了一种基于情感感知的 Transformer 编码器，用于生成类人的同情回应，将语义和情感方面集成到输入话语中。在 Facebook AI 共情对话数据集的实验中，该模型相比现有方法生成的回应具有更高的 BLEU-4 得分，这表明情感智能的虚拟代理现在已成为现实，并且未来在所有人机接口中都将包括情感作为一种模态。

    Apr, 2022

  • 使用 Transformer 为端到端任务导向型对话系统建模语境化的知识图谱

    本文介绍了一种称为 COmet 的用于完全情境化实体表达的 Context-aware Memory Enhanced Transformer 框架，该框架能够在任务导向的对话系统中更好地利用知识库，避免了信息丢失，并取得了卓越的性能。

    Oct, 2020

  • 基于 BERT-Max 的情感上下文分类器：EmotionX-KU

    本研究提出一种基于可迁移语言模型和动态最大池化的情感分类器，旨在通过应用自注意力机制和加权交叉熵损失，改善口语对话中的情境信息和类别不均衡问题，并通过后训练和微调机制，利用多种机器学习技术来提高模型性能，实验结果表明，该模型在 Friends 和 EmotionPush 数据集上表现优异，且在 EmotionX 2019 挑战中也取得了竞争性的表现。

    Jun, 2019

  • 对话式迁移学习用于情感识别

    通过对话生成器获取情感知识，辅助对情感对话的识别，实现情感识别的转移学习方法。

    Oct, 2019

  • 基于分层 Transformer 网络的话语级情感识别

    通过提出一种基于分层 Transformer 框架的情感识别方法，该方法结合了预训练语言模型和说话人嵌入，能在不同背景环境和不同说话人的情况下有效地捕捉言语的情感信息，实验结果表明该方法在三个对话数据集上分别取得了 1.98％、2.83％和 3.94％的 F1 宏平均分数提升。

    Feb, 2020

  • KETM：一种知识增强的文本匹配方法

    文本匹配是将两段文本进行匹配并确定它们之间的关系的任务，本文提出了一种名为知识增强文本匹配模型（KETM）的新模型，通过从外部知识源中丰富上下文表示来增强模型的理解和推理能力。实验证实了我们的模型在四个数据集上表现良好，并且与不添加外部知识的基础模型相比，我们的方法的性能得到了提高。

    Aug, 2023

  • 知识注入的自注意力变换器

    本论文旨在提出一种有系统的方法将外部知识图谱融入 Transformer 模型中，以解决在语言模型中存在的幻觉和对人类用户生成无用和不安全输出的问题，并在 GLUE 基准测试任务上进行大量实验证明其有效性。

    Jun, 2023

  • 中性言语也是因果关系：通过社会常识知识增强对话因果情绪蕴含

    本文提出一种通过将情感信息与社会常识知识引入图中，构建知识增强会话图（KEC）来增强会话因果推断的方法。实验证明，该方法可以更好地从目标言语中推断出不同情感的原因。

    May, 2022