Apr, 2022

多轮共情对话中的积极情感引导探究

PDF
TL;DR本文提出了一种新的任务：使用情感支持生成具有积极情感诱导的共情式对话，以促进用户情感的积极化。为了研究这一任务，我们收集了一个大规模的情感对话数据集 (PosEmoDial)，并建立了一个基准结果，同时我们将发布这个数据集和相关源代码以促进未来的研究。
发现论文，激发创造
  • 利用积极情感引导增强学习方法促进多轮情感支持对话

    本研究提出了一种新的情感支持对话范式 —— 正向情感引导，通过基于专家的混合增强学习模型，精细的情感调节以及对话连贯性的奖励设计，达到实现情感支持和维护对话连贯性的双重目标。实验结果证明了该模型在提高积极情感引导能力方面的优越性，同时也保持了对话的连贯性。

    Jul, 2023

  • 面向情感支持的对话系统

    本研究旨在探讨如何在对话系统中建立情感支持，并构建了基于 “Helping Skills Theory” 的 “Emotional Support Conversation（ESC）” 任务和 ESC 框架。同时设计了一个注释丰富的情感支持对话数据集（ESConv），并对该数据集进行了质量控制及训练，最后通过与最新的对话模型进行评估，证明了支持策略对于提供有效情感支持的重要性以及 ESConv 在训练更多情感支持系统方面的实用性。

    Jun, 2021

  • 情感状态认知：为共情对话生成验证性回应

    利用三部分模块系统，包括验证时机检测、用户情绪状态识别和验证式回应生成，本研究介绍了首个旨在促进共情对话的框架。通过利用日本 EmpatheticDialogues 数据集和 Task Adaptive Pre-Training（TAPT）基于 BERT 的模型，在所有模块的 F1 分数方面，表现超过随机基准线和 ChatGPT；在 TUT Emotional Storytelling Corpus（TESC）语音对话数据集上的应用也证实了模型的有效性，超过了随机基准线和 ChatGPT，强调了我们框架在促进人工智能与人类之间的共情沟通上的有效性。

    Feb, 2024

  • 情感化应答生成与状态管理

    提出了一种情感对话生成模型，采用情感感知对话管理，包括情感状态跟踪和移情对话策略选择两个部分，动态管理不同信息可帮助模型生成更具移情效果的回复。

    May, 2022

  • 改进多轮情感支持对话生成的前瞻性策略规划

    本文提出了一个使用多轮模式的情感支持会话系统 MultiESC，通过使用前瞻性启发式策略规划和用户状态建模来解决长期对话目标和用户情感的动态模态问题，实证结果表明 MultiESC 在对话生成和策略规划方面均明显优于竞争基线。

    Oct, 2022

  • 为培养情感 - 情感开放领域聊天机器人而设计的积极情感对话语料库

    该研究使用情感数据增强方法，基于明确建模多轮对话中积极转移的情绪数据构建了语料库，并通过微调预训练的对话模型，开发了一种情感 - 情感开放域聊天机器人。该方法被证明在各种情感 - 情感指标上接近于人类表现，并与一些最先进的开放域聊天机器人进行了比较，证明了该方法的有效性。

    Aug, 2022

  • 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

  • 情感支持对话的知识增强混合式倡导系统

    研究了情感支持交流中混合主动性对话的问题，提出了一种基于知识增强的混合主动性框架，该框架从大规模的心理健康知识图谱中检索实际案例知识，优于传统方案。

    May, 2023

  • MoEL: 共情听众混合物

    本研究提出一种新的端到端的对话系统建模方法 --MoEL，能够捕捉用户情感并回复相应的情感，经人类评估显示 MoEL 在共情、相关性和流畅性方面优于多任务训练基线，并且不同监听器生成的响应的案例研究显示我们的模型具有很高的解释性。

    Aug, 2019

  • 情感关联增强的共情式对话生成

    实现共情是朝向人性化对话系统的关键步骤。本文提出了一种新的情感相关增强的共情对话生成框架，完整地实现了情感相关的学习、利用和监督。实验结果表明我们的模型在共情感知和表达方面具有优势。

    Nov, 2023