Dec, 2022

InferEM：推断说话人的意图用于共情对话生成

PDF
TL;DR提出了一种名为 InferEM 的新型情感回应生成模型，其中通过利用多头注意力机制实现意图融合，并设计了一个多任务学习策略来平衡预测和响应生成的优化速率，通过实验表明 InferEM 可以有效地改进情感表达。
empathetic response generationmulti-head attentionintention fusiondialogue historymulti-task learning
发现论文，激发创造
  • EmpHi：以人类意图为基础生成具有共情能力的回应

    提出一种新模型 EmpHi，用于生成与人类一致的移情回应，以解决现有模型中移情倾向分布的偏差问题，实验结果表明在自动和人类评估方面 EmpHi 在移情、相关性和多样性方面优于最先进的模型，并且案例研究表明我们的模型具有较高的可解释性和卓越的性能。

    Apr, 2022

  • 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

  • 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

  • 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

  • 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

  • Emp-RFT：通过识别话语之间的特征转换生成共情回应

    提出了一种能够识别对话中特征转换以及实现情感和关键词相关特征的响应生成策略的方法，并在多轮对话中取得显著的性能提升。

    May, 2022

  • 利用情感 - 语义相关性进行共情式回应生成

    我们提出了一个动态的情感 - 语义相关模型（ESCM）来帮助生成共情性对话，它通过上下文和情感的交互构建了动态的情感 - 语义向量并引入了依赖树来反映情感和语义之间的相关性，通过动态的相关图卷积网络引导模型学习对话中的上下文含义并生成具有流畅且丰富信息的共情性回应。实验结果表明，ESCM 能更准确地理解语义和情感，并表达出具有流畅且信息丰富的共情性回应，分析结果也显示出对话中情感和语义之间的相关性的频繁使用对共情感知和表达具有重要意义。

    Feb, 2024

  • 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

  • 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

  • 构建情感共识并利用非配对数据进行共情式对话生成

    本文提出了一种双重生成模型（Dual-Emp），通过集成前向对话模型、后向对话模型和表示情感共识的离散潜变量来实现情感共识的构建，同时利用来自开放域对话的非成对情感数据，产生了比人类注释更高效且成本更低的伪成对共情样本，进而在自动和人工评估中表现出优异的编织性和共情响应。

    Sep, 2021