CARE:基于潜在概念的常识感性响应生成
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
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
提出了一种新的名为 CARE 的框架,它通过使用 Conditional Variational Graph Auto-Encoder (CVGAE) 来推理所有可能的因果关系,并采用多源注意力机制来将这些因果关系注入到共情型对话响应生成中,实验结果表明该方法取得了最先进的性能。
Nov, 2022
通过综合运用常识信息与对话理解,我们提出了一种创新方法,能更深入地理解情感,从而通过有效地提取已知知识图表中的相关常识来与对话内容相结合,实现民族语言混合对话中情感识别的实质性性能改进。
Oct, 2023
本文介绍了一个全流程的共情对话代理 CAiRE,该系统运用 TransferTransfo 学习方法,通过多任务学习(响应语言模型、响应预测和对话情感检测)微调预训练的大规模语言模型,并在最近提出的具有同情心的对话数据集(Rashkin 等人,2019)上进行了评估,实验结果表明 CAiRE 在对话情感检测和共情响应生成方面实现了最先进的性能。
Jul, 2019
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
本文研究了将常识知识有效地集成到对话模型中的影响,并在基于检索的情境下提出了 Tri-LSTM 模型,将消息和常识联合起来选择适当的响应,实验证明知识增强模型比无知识模型在自动评估中表现更好。
Sep, 2017
本研究针对 commonsense 在对话回应生成中的作用进行了实证研究,提出了一种新的对话数据集,并利用 ConceptNet 这个 commonsense 知识库,找到并整合了现有的真实对话数据集。通过使用这些数据集训练响应生成模型,该研究提出的自动评估方法显示出一定合理的评价效果。
Sep, 2021
本论文调查了最近关于常识推理的谈话人工智能研究,列出了相关的训练数据集,并描述了在谈话人工智能中包含常识的主要方法,讨论了用于评估谈话人工智能中常识的基准,最后对两个最先进的开放对话模型 BlenderBot3 和 LaMDA 的常识能力进行了初步观察,并对自然交互产生了负面影响,进一步激发了关于常识推理在谈话人工智能中的研究。
Feb, 2023