ACLJan, 2021

EmpathBERT：基于 BERT 的人口统计意识共情预测框架

PDF
TL;DR本文提出了基于用户信息的 EmpathBERT 模型用于预测用户在刺激性新闻文章中的情感和困境响应， 并通过多维度的比较试验证明了该模型超越了传统的机器学习和深度学习模型，强调用户信息和情感信息对于预测用户响应的重要性
empathbertdemographicsempathydistressaffect-aware models
发现论文，激发创造
  • 情感回应生成的理论驱动数据集构建与优化

    我们提出了一种新方法，利用理论驱动的偏好数据集和优化算法来对齐 LLMs，以提高情感回应生成的质量和模型的泛化性能，并通过 EmpatheticDialogues 数据集以及 diff-EPITOME 和 BERTscore 指标来评估其效果。

    Jun, 2024

  • EmotionX-IDEA: 情感 BERT—— 一种面向对话的情感模型

    本文研究了预训练语言模型 BERT 在情感识别中的能力。通过 BERT 的框架和两句话的结构，我们将其应用于连续对话情感预测任务中，并依赖于句子级上下文感知理解。实验表明，通过将连续对话映射到因果话语对中，该模型能更好地捕获回复话语的情感。该方法在 Friends 和 EmotionPush 的测试数据集中取得了 0.815 和 0.885 微型 F1 分数。

    Aug, 2019

  • 使用 Transformer 模型集合的共情和苦恼检测

    该论文介绍了作者对于 WASSA 2023 的共享任务中的移情、情感和个性的方法。通过使用基于 BERT 模型的几种方法，以及尝试多种集成的方法，最终在感同身受和痛苦检测子任务中取得了排名第三的 Pearson 相关系数得分为 0.346。

    Dec, 2023

  • 新闻报道中的同理心和悲痛建模

    本文提出了第一个公开可用的用于检测共情能力预测的标准，采用单项量表的方法可靠捕捉了作者对共情能力的评估，同时也是第一个区分多种共情形式的计算模型，实验表明 CNN 模型表现最佳。

    Aug, 2018

  • 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

  • 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

  • 面向基于个性化的共情式对话模型

    本文提出了一个新任务，即基于角色的移情对话，并首次对角色对移情反应的影响进行了实证研究。作者提供了一份新的大规模多领域数据集，使用高效的 CoBERT 模型进行回答选择，实验证明，当 CoBERT 模型基于移情对话训练时，角色更有助于提高移情反应，从而为人类对话中的角色和移情之间建立了经验证据。

    Apr, 2020

  • 基于情绪、人口信息和隐式用户反馈的面向任务的文档驱动对话学习

    近期人机交互领域的研究表明，考虑到人口统计信息、用户情感以及从话语中的隐含反馈中学习是任务导向和以文档为基础的对话系统获得用户接受和喜欢的关键。然而，这些发现尚未在自然语言处理领域得到应用，缺乏相应的数据集。为了填补这一空白，我们引入了 FEDI，这是第一个包含任务导向的以文档为基础的对话的英语数据集，其中注释了人口统计信息、用户情感和隐含反馈。我们使用 FLAN-T5、GPT-2 和 LLaMA-2 进行实验，结果表明这些数据有潜力改善任务完成情况、生成回答的事实一致性以及用户接受程度。

    Jan, 2024

  • 利用心理语言学特征和 Transformer 提升基于文本的情感检测的泛化能力

    本文采用基于转换器模型和双向 LSTM 网络的方法，结合心理语言学特征进行基于文本的情感检测，在两个基准数据集中表现出可比性，在六个统一情感数据集的迁移学习实验中表现出强大的跨领域泛化功能。

    Dec, 2022

  • EmotionX-HSU: 采用预训练的 BERT 进行情感分类

    本文介绍了我们通过深度学习和使用 BERT 模型的方法，在 EmotionX-2019 和 SocialNLP 2019 的共享任务中，对来自电视节目 Friends 和 Facebook 聊天记录 EmotionPush 的每个话语的情感进行了识别，并通过微平均 F1 分数对模型性能进行了评估，得到了同类中的第三名。

    Jul, 2019