EMNLPNov, 2022

CARE: 有条件图生成的因果推理及移情回应

PDF
TL;DR提出了一种新的名为 CARE 的框架，它通过使用 Conditional Variational Graph Auto-Encoder (CVGAE) 来推理所有可能的因果关系，并采用多源注意力机制来将这些因果关系注入到共情型对话响应生成中，实验结果表明该方法取得了最先进的性能。
empathycausalityconversationcvgaemulti-source attention
发现论文，激发创造
  • 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

  • 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

  • 将因果分析融入多样化和逻辑回复生成中

    本文研究了 Conditional Variational AutoEncoder（CVAE）生成回答时常常与原问题不相关或缺乏逻辑性的原因，并提出了一种寻找中介变量和缓解对话中混淆偏差的方法。在此基础上，提出了动态话题图引导的条件变分自动编码器（TGG-CVAE）模型，用于补充语义空间并减少响应中混淆偏差。实验证明，所提出的模型能够生成相关且信息量丰富的回答，并在自动评估和人类评估方面优于现有的最先进模型。

    Sep, 2022

  • 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

  • CARE：基于潜在概念的常识感性响应生成

    本篇论文探讨将理性和情感融合到人工智能对话代理中的可行性，并提出了 CARE 模型，一种基于常识感知的情感响应生成模型，实验证明该模型比仅关注单一方面的现有模型在生成情感响应方面更加准确。

    Dec, 2020

  • CAiRE：一款富有同理心的神经聊天机器人

    本文介绍了一个全流程的共情对话代理 CAiRE，该系统运用 TransferTransfo 学习方法，通过多任务学习（响应语言模型、响应预测和对话情感检测）微调预训练的大规模语言模型，并在最近提出的具有同情心的对话数据集（Rashkin 等人，2019）上进行了评估，实验结果表明 CAiRE 在对话情感检测和共情响应生成方面实现了最先进的性能。

    Jul, 2019

  • 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

  • 共进化图推理网络用于情感 - 原因对提取

    提出了一种基于共同演化推理的多任务学习框架（CGR-Net），以提取文档中的情绪原因对，并通过提供预测级交互来捕获不同任务之间的依赖关系，进而实现对因果关系的充分利用。

    Jun, 2023

  • 对话中的话语级情感推理：因果发现方法

    本文提出了一种名为 CACD 的新型因果推断方法，旨在通过设计一个公共的骨架和生成替代的隐含因素来推导对话中的因果关系，该方法在情感相关领域的六个数据集上展示出比 SOTA 基准更好的性能表现。

    May, 2023

  • ECR-Chain: 通过推理链推进生成式语言模型以提高情感原因推理

    通过逐步推理方法 (ECR-Chain) 以及促进模型优化的 few-shot prompting，本研究在生成式语言模型中引入情感生成过程的因果关系，并且能够在可解释的方式下成功进行情感因果推理。

    May, 2024