ACLAug, 2021

情感调控语言模型

PDF
TL;DR该研究旨在生成具有多样情感的上下文感知语言，提出了一种受计算机视觉启发的调制层归一化技术，该技术可使我们利用大规模语言模型进行情感响应生成，并在 MojiTalk 数据集上进行自动和人工评估，其结果优于基础方法，同时保持多样性，流畅性和连贯性。即使只使用 10％的可用训练数据，该方法也能获得竞争性能。
empathetic nlp systemsmodulated layer normalizationemotional response generationautomatic evaluationmojitalk dataset
发现论文，激发创造
  • 针对专门的情感识别任务定制通用的大型语言模型

    通过使用大型语言模型，在情感识别领域中研究了 LLMs 的性能，发现其在语言情感识别任务中具有强大的迁移性和可行性。

    Oct, 2023

  • MojiTalk: 大规模生成情感回应

    借助基于表情符号的标注语料以及引入强化条件变分编码器，论文提出了一种生成具有特定情感的高质量抽象会话回复的深度生成模型。

    Nov, 2017

  • 对话 LLM：面向情感识别的对话中的上下文和情感知识调整的 LLaMA 模型

    使用多模态信息、上下文和情感知识调整的对话型大型语言模型 (DialogueLLM)，通过对 13,638 个多模态（文本和视频）情感对话进行微调，克服了大型语言模型在情感识别方面的局限性，并在三个基准情感对话识别数据集上进行了全面评估。

    Oct, 2023

  • EmoLLM：多模态情感理解与大型语言模型

    通过引入 EmoBench 和 EmoLLM，基于多模态大型语言模型的多模态情感理解性能得到显著提升，提供了更深入、更细致的人类情感理解，为人机交互、心理健康支持和共情人工智能系统等领域的应用开发提供了可能。

    Jun, 2024

  • 大型视觉语言模型的语境情感识别

    在这篇研究论文中，我们使用最近的大型视觉语言模型来探讨两种主要方法：图像字幕生成与仅使用语言的 LLM，以及零样本和微调设置下的视觉语言模型。我们在 Emotions in Context（EMOTIC）数据集上评估这些方法，并展示出即使在小型数据集上进行微调，视觉语言模型的性能也能显著超过传统的基准方法。我们的研究结果旨在帮助未来的机器人和智能系统对情感进行敏感的决策和交互行为。

    May, 2024

  • 利用大型语言模型建模情绪与伦理

    本文探讨了如何将类人情感和伦理考虑整合到大型语言模型（LLM）中，并通过协作式 LLM 对八种基本人类情感进行建模，以及通过自我监督学习算法与人类反馈指导在 LLM 中嵌入潜在的伦理维度。利用该方法，LLMs 能够进行自我评估和调整以符合伦理准则，并提高其生成与情感共鸣和伦理一致的内容的能力。所提出的方法和案例研究展示了 LLMs 超越纯文本和图像生成，进入共情互动和有原则决策领域的潜力，并在情感意识和伦理意识的 AI 系统发展中树立了新的范例。

    Apr, 2024

  • 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

  • 利用表征学习增强情感认知模型

    本研究提出了一种新型深度学习框架，用于生成细粒度情感的嵌入式表示，可用于计算描述情感心理模型。通过与多头探测模型集成的上下文嵌入编码器，可以动态地学习情感表示并优化情感分类任务，评估结果表明可以达到最先进的 32 种情感分类。最后结合情感图生成情感轮并增强丢失的情感状态模型价值。

    Apr, 2021

  • 重塑情绪识别建模：广义大模型的出现

    综合研究了大语言模型在情感识别中的性能，包括上下文学习、少样本学习、准确性、泛化能力和解释性，并提供了一些见解和潜在挑战，以促进情感识别在新的先进和广义大模型时代的发展。

    Aug, 2023

  • 情感语调在神经机器翻译中的实用性

    通过将语音情感信息集成到神经机器翻译系统中，可以提高翻译质量。

    Apr, 2024