CEM: 基于常识的共情回应生成
本文提出了一种新颖的共情回应生成方法,该方法将自适应模块应用于常识知识选择,以确保生成的共情回应与说话者的情境一致,并使用所选知识来完善常识认知和共情表达以生成更一致和共情的回应。实验结果表明,与基准模型相比,我们的方法在自动和人类评估方面都显着优于基线模型,生成更一致和共情的回应。此外,案例研究强调了响应中知识选择的可解释性以及自适应模块在我们的模型中的有效性。
May, 2023
为解决对话中情感的动态性和共情生成中的常识知识冲突问题,我们提出了一种串行编码和情感 - 知识相互作用(SEEK)方法,使用细粒度编码策略和知情与情感的相互作用建模,从而在共情对话生成方面表现出色。
Oct, 2022
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
通过利用大型语言模型的能力,在对话和运用常识推理方面训练可调节的模型,我们提出了先知性常识推理这一创新范式,它能够弥补常识推理过程中的语境不匹配和无法预测未来对话主题的问题,显著提升对话代理的回应质量。
Nov, 2023
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
使用常识认知图和情感概念图构建一个两级策略 (CASE),以对齐粗粒度 (上下文认知和情感状态之间) 和细粒度 (每个特定认知和相应情感反应之间) 的认知和情感,从而实现共情回应,实验证明 CASE 在自动和人工评估中优于现有基线。
Aug, 2022
该研究提出了一种新方法,整合情感原因、知识图谱和沟通机制,用于同情性回应生成,并在基准数据集上通过实验结果说明了该方法的有效性,并表明整合这些关键组件能够产生更具信息量和同情心的回应。
Dec, 2022