Aug, 2022

CASE: 对粗粒度到细粒度认知和情感的协调，以生成共情回应

PDF
TL;DR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。
发现论文，激发创造
  • CEM: 基于常识的共情回应生成

    本文提出了一种新的基于常识的共情反应生成方法，除了识别用户情感外，还考虑了对用户情况的认知理解，实验结果表明本方法在自动和人工评估中均优于基线模型，能够生成更具信息和共情性的响应。

    Sep, 2021

  • 基于认知、情感和行为的共情对话生成

    该研究提出了 CAB 框架，该框架从认知、情感和行为三个角度出发，生成具有同情心的响应，并在自动和手动评估中均打败了现有的最先进模型。

    Feb, 2023

  • 情感原因转移图的共情响应生成

    本文提出一种情感原因转换图用于预测情感对话中的概念词，并设计了概念感知解码器以生成更具共情、连贯、信息丰富且特定的响应，并在基准数据集上取得了较好的结果。

    Feb, 2023

  • 愿我能感受到你的情感：一种神经生成共情回应的方法

    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

  • 回应前的推理：整合基于常识的因果解释实现共情回应生成

    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

  • 情感回应生成的迭代联想记忆模型

    情感回应生成是理解对话表述中的认知和情感状态并生成适当回应。本文提出了一种迭代联想记忆模型 (IAMM)，通过使用新颖的二阶交互注意机制，迭代捕捉对话表述和情境、对话历史以及记忆模块 (用于存储关联词) 之间的重要关联词，从而准确而细致地理解表述。实验验证了该模型的有效性，并且语言模型的变化实验也表明关注关联词可以提高情感的理解和表达。

    Feb, 2024

  • 以视角转换和语用学为中心生成以情感原因为重点的移情响应

    本研究通过引进新的方法来获得他人情感的原因词，并在对话模型的生成过程中针对性地聚焦于关键词，从而有效提高生成具有针对性的共情性话语的水平。

    Sep, 2021

  • 通过敏感情绪识别和合理知识选择的共情对话生成

    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

  • 移情对话：上下文对话的多层数据集

    本研究建立了感同身受情感对话数据集，收集了受访者的特征、新闻文章引发的自我报告的同理心反应、对谈伙伴的他人报告，以及对话中表达的自我披露、情感和同理心等信息，旨在探讨不同形式的同理心与其他情感现象及人口统计学因素之间的关系，提供了预测这些特征的基线模型。

    May, 2022

  • 基于图形多跳推理的共情响应生成：情感因果

    该研究旨在解决现有研究仅关注用户情绪，而忽略情绪产生原因的问题，提出了一种基于图的多跳推理模型来建模共情对话的情感因果关系，并在 EMPATHETICDIALOGUES 上与几种竞争模型进行了比较实验，验证了该模型的有效性。

    Oct, 2021