Oct, 2022

基于词汇情感智能的二十个问题对话系统

PDF
TL;DR本文介绍了 Emotion Twenty Questions (EMO20Q) 的基于网络的演示，它是一个对话游戏，旨在研究人们如何描述情感。EMO20Q 还可用于开发能够玩游戏的人工智能对话代理程序。该系统的最新发展，包括基于变压器的神经机器学习模型和用于回答问题的系统架构和编程等方面的更新。该演示系统将可用于收集试点数据。
emotion twenty questionsartificially intelligent dialog agentbayesian machine learning modeltransformer-based neural machine learning modelsweb-based front-end
发现论文，激发创造
  • 使用 BERT 协助进行情感相关问题的语义注释校正

    使用 BERT 神经语言模型对对话行为语义标注的辅助注释任务中的标注标签进行微调并使用复述任务检查其效果，以此有效评估和修订复杂的文本用户数据的语义标签。

    Apr, 2022

  • 情感识别和生成对话的统一框架

    本文提出了一种多任务框架，该框架联合识别对话的情感并根据所识别的情感生成响应，我们利用基于 BERT 的网络来创建一种共情系统，并使用混合目标函数来训练端到端网络，包括分类和生成损失函数，实验结果表明，我们的多任务框架优于现有的最先进模型。

    May, 2022

  • 思前想后：一个类似人类的两阶段对话代理，用于情感响应生成

    本文提出了一种基于神经网络的两阶段对话模型，通过从语义和情感角度对话生成，不需要大量情感标注数据。实验表明，该模型在情感生成方面优于其他比较模型，并在语义性能上保持一致性。

    Jan, 2023

  • 情感聊天机器：利用内部和外部记忆的情感对话生成

    本文提出了 Emotion Chatting Machine（ECM），它可以生成不仅在内容（相关和语法）而且在情感（情感一致）上都恰当的响应。通过嵌入情感类别、捕捉内部情感状态的变化以及使用外部情感词汇，ECM 使用三种新机制来解决情感因素。实验表明，所提出的模型可以生成不仅在内容而且在情感上都恰当的响应。

    Apr, 2017

  • 聊天机器人作为问题解决者：通过角色逆转玩二十个问题

    本文介绍一个基于 ChatGPT 的多角色、多步骤的二十问游戏挑战，研究发现在各种实验中，ChatGPT 可以在少于二十个问题（平均为 12 个问题）内猜出随机对象名称，并且在十六种不同的实验设置中正确率达到 94％。ChatGPT 在四种新颖的用例中扮演提问者、回答者、提问和回答双方角色，并最终尝试猜测适当的情感，并证明 ChatGPT 所表现出来的推理和问答技能可以用于复杂的蛋白质设计、神经科学元数据和儿童发展教育材料等领域。

    Jan, 2023

  • 情感感知的 Transformer 编码器用于共情对话生成

    该研究提出了一种基于情感感知的 Transformer 编码器，用于生成类人的同情回应，将语义和情感方面集成到输入话语中。在 Facebook AI 共情对话数据集的实验中，该模型相比现有方法生成的回应具有更高的 BLEU-4 得分，这表明情感智能的虚拟代理现在已成为现实，并且未来在所有人机接口中都将包括情感作为一种模态。

    Apr, 2022

  • 多轮共情对话中的积极情感引导探究

    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。

    Apr, 2022

  • 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

  • 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