本文提出了一种新颖的共情回应生成方法,该方法将自适应模块应用于常识知识选择,以确保生成的共情回应与说话者的情境一致,并使用所选知识来完善常识认知和共情表达以生成更一致和共情的回应。实验结果表明,与基准模型相比,我们的方法在自动和人类评估方面都显着优于基线模型,生成更一致和共情的回应。此外,案例研究强调了响应中知识选择的可解释性以及自适应模块在我们的模型中的有效性。
May, 2023
为解决对话中情感的动态性和共情生成中的常识知识冲突问题,我们提出了一种串行编码和情感 - 知识相互作用(SEEK)方法,使用细粒度编码策略和知情与情感的相互作用建模,从而在共情对话生成方面表现出色。
Oct, 2022
该研究提出一种新的框架,通过口头提示和策略驱动的未来鉴别器来融合常识知识并控制对话生成,从而改善预训练语言模型的共情式对话生成性能。实验证明,社会常识知识的融合和生成控制的强制执行有助于提高性能。
Feb, 2023
本文提出了一种新的基于常识的共情反应生成方法,除了识别用户情感外,还考虑了对用户情况的认知理解,实验结果表明本方法在自动和人工评估中均优于基线模型,能够生成更具信息和共情性的响应。
Sep, 2021
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。
Sep, 2019
通过利用大型语言模型的能力,在对话和运用常识推理方面训练可调节的模型,我们提出了先知性常识推理这一创新范式,它能够弥补常识推理过程中的语境不匹配和无法预测未来对话主题的问题,显著提升对话代理的回应质量。
Nov, 2023
本文提出了一个新的共情对话生成指标和一个基于具有情感情境的 25k 个会话的新数据集 EmpatheticDialogues,实验表明使用我们的数据集的对话模型被人类评估员认为比仅在大规模互联网对话数据上训练的模型更具有移情能力,同时还通过实验比较了对情感回应进行的对话模型调整,利用现有模型或数据集而无需重新训练完整模型
Nov, 2018
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
我们提出了一种基于常识的因果解释方法,通过整合上下文学习和常识知识来增强 ChatGPT 系统在系统角度的推理能力,并将常识因果解释与 ChatGPT 和基于 T5 模型进行整合,实验评估表明我们的方法在自动评估和人工评估上优于其他可比方法。
Jul, 2023
该研究提出了 CAB 框架,该框架从认知、情感和行为三个角度出发,生成具有同情心的响应,并在自动和手动评估中均打败了现有的最先进模型。