RESPER:计算模拟有抗拒策略的说服对话
本文旨在研究使用 Transformer 和 CRF 模型进行说服策略识别的方法,并通过实验证明该方法存在缺陷,不能很好地识别个人之间的对话关系和标签依赖关系。
Nov, 2020
本文介绍了一种基于多领域文本语料库的计算建模方式,利用弱监督的潜变量模型来预测与每个句子相关联的说服性策略,证明该方法在语言说服方面的表现优于之前的方法,并公开了代码。
Jan, 2021
本文介绍了一种使用多模态学习的注意力融合模型来预测广告中运用的说服策略,并使用构建的广告图像语料库对模型的效果进行了测试。测试数据中的图像分割掩模标注了对应广告中的说服策略。通过对 30 所财富 500 强企业的 1600 个广告活动的实际案例研究,可以分析对不同人口统计学数据(年龄和性别)采用哪种策略更有效。
Aug, 2022
人工智能对话系统领域的研究趋势是基于认知心理学理论,将认知策略融入会话中,以达到有效说服他人,建立智能的对话代理系统。本文首先介绍了认知心理学理论和三种典型认知策略的定义。然后,提出了一种新的系统架构,详细研究了代表性工作,并总结了权威基准和评估指标。最后,对 CogAgent 的未来发展方向和存在的问题进行了观察与总结。
Feb, 2024
本文研究了在完成一个同时进行的视觉 - 对话任务时,如何识别非合作对话者,使用学习理论的工具开发了理论模型,提出了多种沟通策略并应用强化学习来实现,通过对 GuessWhat?! 数据集的非合作对话语料库的实验结果验证了理论模型的有效性。
Jul, 2022
研究了如何通过 Variational Autoencoder 模型和 attentional LSTM 模型来分析和可视化语言表述中的内容和修辞策略,并发现特定的修辞策略和其顺序对请求的内容有不同的影响,从而对请求的说服力产生影响。
Oct, 2020
在一个参考沟通任务中,我们利用模拟研究了系统在针对用户提供细致信息时的互动策略,分析了用户澄清策略对初始呈现和后续跟进之间的沟通权衡,并比较了几种基线策略和强化学习导出的策略的性能。我们发现,基于连贯性的对话策略具有令人惊讶的优势,它们需要最少的数据,可以解释选择,并具有强大的审核能力,但在各种用户模型下预测结果的损失很小。
Aug, 2023
通过从心理学、传播学和语言学的研究中汲取经验,我们提出了一种自动转述异议回应以传达接纳态度同时保持意义的方法,通过对 Reddit 评论和回应的数据集进行每种方法的自动转述,经过以人为中心的实验,我们发现我们的框架生成的回复被认为比原始回复以及通用接纳度基线更具接纳度,分析并讨论结果的含义,并强调对内容管理的应用,总体而言,我们说明了如何将接纳度这一特定的社会科学构造转化为计算框架,从而使 LLM 生成更符合人类感知。
May, 2024
本文通过引入强化学习(RL)进行用户交互训练,实现了一个更加人性化的劝说对话系统,并成功在捐赠劝说任务中取得了优于先前最先进的对话模型的表现。
Dec, 2020
使用双向生成对抗网络(BiCoGAN)结合基于对话的人格预测回归模型(DPPR)的方法,追踪用户的潜在人格维度(LPDs),并生成基于这些 LPDs 的定制的反事实话语,优化整体说服结果。在在线交互中,通过使用 D3QN 模型学习优化系统话语选择策略,采用反事实推理和 LPDs 优化增强学习策略来提高说服效果。
Apr, 2024