情感条件下的创意对话生成
本研究提出了一种基于情感上下文的语言建模方法,可以更有效地考虑语言生成过程中的情感内容。使用 Empathetic-Dialogues 语料库进行实验,相较于现有方法,本方法在困惑度指标上提高了 5 个百分点,并获得了更高的 BLEU 指标分数。
Nov, 2019
本论文旨在为共情性回应生成设计一种能够通过内容和情感视角对话历史进行编码的框架,从而生成包含内容和情感信息的回应,实验结果表明,该框架在自动和人类评估指标上均取得了最优结果,同时比先前的方法生成了更多的共情回应。
Sep, 2022
本研究基于由 OpenAI 研发的先进语言模型 ChatGPT,探讨了其情感对话能力。研究通过一系列下游任务实验,评估了 ChatGPT 在情感对话理解和生成方面的表现,并发现虽然 ChatGPT 在情感对话理解方面的性能仍然存在问题,但在生成情感回应方面表现良好。此外,本研究还提出了未来研究方向的可能性。
Apr, 2023
我们提出了一种基于隐藏变量分离的动态因果解缠模型,通过分解对话内容并研究情绪的时间性积累,从而实现更精确的情绪识别。我们在两个常用的对话情绪检测数据集上验证了该模型的优越性。
Sep, 2023
使用 CREMA-D 数据集,利用带情感的 GAN 生成相对于中性语音的音素长度,可以提供给 TTS 系统以生成更具表现力的语言。使用 IMLE 训练的生成模型也能够实现更好的中性语音机器生成,但仍需进一步主观评价的研究。
Jan, 2023
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
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
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