基于提示的人格和人际反应预测系统
利用个人化引导的基于检索的聊天机器人在个性化对话中至关重要,但存在几个需要解决的挑战。为了解决这些挑战,我们提出了一种即插即用的个人化提示方法,该系统可以作为标准开放域聊天机器人使用,同时降低对个人化训练数据的依赖,提供更好的性能。这是首次使用提示序列解决个性化响应选择问题。
Oct, 2023
本研究使用多输入、多任务框架,对情感评分、情感和共情分类的 WASSA 2021 共享任务进行了解决方案,并将文本数据、心理测验得分、人口统计特征和原始情绪及共情的内在相互依赖性纳入考虑范畴,进而在困难的文本数据中预测了这些情绪的强度。
Mar, 2021
通过使用 N-shot 学习方法和 GPT-3 模型进行细化调整,本论文介绍了一种可解释的提示方法来增强 GPT-3 模型的注意机制,提供更高级别的语言修改,从而检测出个人叙述中表示两个人际风险因素的文本线索,取得更好的系统级可解释性和可信度。研究结果表明,在使用 InterPrompt 调整后,四个 GPT-3 模型的变种在分类和解释生成方面相较于基准方法都有显著的提升。
Nov, 2023
本文提出了一个新任务 ——Response Forecasting on Personas for News Media,并创建了一个包含 13,357 条回复的数据集,以预测不同人物或人群对新闻事件的不同响应,其中任务除了预测评论的情感极性和强度外,还引入了个性化因素,利用最新的神经语言模型进行研究,分析结果表明,加入人物特征有助于预测响应的所有维度,同时该任务的制定还能够应用于社交网络分析中的极端意见群体讨论等多种有趣应用。
May, 2023
该论文提出了一种新的检索到预测范例来解决个性化聊天机器人中 OOP 问题,并通过采用实际人物进行后验转换来进一步缓解训练和推理之间的差距。并通过 IT-ConvAI2 和 ConvAI2 的广泛实验表明,我们提出的模型在自动指标和人类评估方面都取得了可观的改进。
Aug, 2022
本文介绍了一种从大规模、嘈杂的社交媒体文本数据集中进行基于提示的心理健康筛查的方法。我们的方法使用 GPT 3.5 进行提示,以区分可能与任务更相关的出版物,然后使用直观的词袋文本分类器来预测实际用户标签。结果发现与 BERT 专家混合分类器相当,并且只需要一小部分计算成本。
Jan, 2024
本文探讨了基于提示的学习在控制自然语言生成模型的人格和语义准确性方面的效果,结果表明,提示生成的输出会产生更好的语义准确性和人格准确性,特别是在语义风格转移提示的情况下,同时没有前人在此方面的探索。
Feb, 2023
本文介绍了我们在 CVPR 2023:Affective Behavior Analysis in-the-wild (ABAW) 第 5 次研讨会和比赛中进行情感反应强度 (ERI) 估计挑战的方法,通过基于多模态数据提取声学和视觉特征,提高了我们的模型表现能力,并使用 Transformer 编码器进行交叉模态关注机制,从而提高了与基线的 Pearson 相关系数。
Mar, 2023