AAAIDec, 2020

利用异构图神经网络生成情感对话

PDF
TL;DR本文提出了基于异构图模型的情感对话生成方法，利用对话历史记录、情感流、面部表情、音频和说话人个性等多维信息来编码对话内容并生成适当情感的响应，实验结果表明，该方法可以有效地感知多源知识并生成令人满意的响应。
emotional conversation systemheterogeneous graph-based modelmulti-source informationemotion flowbart
发现论文，激发创造
  • 情感感知聊天机器：为类人情感互动生成自动情感响应

    本文通过提出统一的端到端神经架构，实现对发帖的语义和情感的编码，以生成智能回复和恰当表达情感，实验证明在内容连贯性和情感适当性方面优于现有方法。

    Jun, 2021

  • 基于情境背景的情感神经语言生成

    本研究提出了一种基于情感上下文的语言建模方法，可以更有效地考虑语言生成过程中的情感内容。使用 Empathetic-Dialogues 语料库进行实验，相较于现有方法，本方法在困惑度指标上提高了 5 个百分点，并获得了更高的 BLEU 指标分数。

    Nov, 2019

  • 情感可控泛化说话脸生成

    本文提出了一种面部生成方法，使用基于语音内容特征的图卷积神经网络，结合独立的情感输入，生成面部几何感知标记表示上的情感和语音感应运动，并在此基础上，利用光流引导的纹理生成网络生成纹理。

    May, 2022

  • DialogueGCN: 基于图卷积神经网络的对话情感识别

    本研究介绍了 Dialogue Graph Convolutional Network (DialogueGCN) 的方法，使用图神经网络来进行 Emotion recognition in conversation (ERC)，并通过解决当前循环神经网络方法存在的上下文传播问题来提高情感分类效果。

    Aug, 2019

  • 情感识别和生成对话的统一框架

    本文提出了一种多任务框架，该框架联合识别对话的情感并根据所识别的情感生成响应，我们利用基于 BERT 的网络来创建一种共情系统，并使用混合目标函数来训练端到端网络，包括分类和生成损失函数，实验结果表明，我们的多任务框架优于现有的最先进模型。

    May, 2022

  • ESIHGNN：对话情绪识别的事件 - 状态交互融合异构图神经网络

    我们提出了一种新颖的基于图的方法，即事件 - 状态交互注入异构图神经网络 (ESIHGNN)，它结合了说话者的情绪状态并构建了一个异构的事件 - 状态相互作用图来建模对话，通过动态更新和增强每个轮次中事件和情绪状态的表示来改善对话的连贯性和一致性。此外，为了进一步提高情感识别性能，我们利用外部知识丰富了图的边缘。在四个公开可用的情感识别数据集上的实验结果表明了我们方法的优越性以及引入的异构事件 - 状态相互作用图的有效性。

    May, 2024

  • 情感聊天机器：利用内部和外部记忆的情感对话生成

    本文提出了 Emotion Chatting Machine（ECM），它可以生成不仅在内容（相关和语法）而且在情感（情感一致）上都恰当的响应。通过嵌入情感类别、捕捉内部情感状态的变化以及使用外部情感词汇，ECM 使用三种新机制来解决情感因素。实验表明，所提出的模型可以生成不仅在内容而且在情感上都恰当的响应。

    Apr, 2017

  • 全局控制，本地理解：面向情感支持会话的全局到本地层次化图网络

    本文提出了一种全局到局部的分层图网络方法，用于情感支持对话任务中多源信息的建模，同时监测全局因素的语义信息，实现了该任务的最新最优效果。

    Apr, 2022

  • 基于深度神经网络的逼真面对面对话系统

    本文提出了一种基于序列到序列模型和基于生成对抗网络的真实人物合成器的创新面对面对话系统，该系统在 ESPN 节目数据上训练和评估显示出可以生成自然面部表情和逼真的面部图像。

    Aug, 2019

  • 通过数据增强和异构对话图网络提升对话中的人格识别

    我们提出了一种使用人格特征插值来增强说话者数据增强和异构对话图网络来独立捕捉上下文影响和内在个性特征的方法，并在 RealPersonaChat 语料库上进行评估，对现有基线模型进行了显著改进。

    Jan, 2024