利用情感回应意图分类控制和解释神经聊天机器人中的共情
该研究提出一种使用对话意图建模和情感分类的混合方法来提高对话生成系统的响应质量和可控性,并采用信息可视化方法分析人类开放域对话中的情感模式和情感分类。
Dec, 2020
通过发展具有同理心的聊天机器人,利用因果情绪信息,收集在线情境中产生情绪的原因来实现同情回应,即情感原因,我们利用咨询策略并在真实世界的在线数据集上验证了所提出的方法的有效性。
May, 2021
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
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
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
本文提出了一个新的共情对话生成指标和一个基于具有情感情境的 25k 个会话的新数据集 EmpatheticDialogues,实验表明使用我们的数据集的对话模型被人类评估员认为比仅在大规模互联网对话数据上训练的模型更具有移情能力,同时还通过实验比较了对情感回应进行的对话模型调整,利用现有模型或数据集而无需重新训练完整模型
Nov, 2018
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
我们提出了一种新方法,利用理论驱动的偏好数据集和优化算法来对齐 LLMs,以提高情感回应生成的质量和模型的泛化性能,并通过 EmpatheticDialogues 数据集以及 diff-EPITOME 和 BERTscore 指标来评估其效果。
Jun, 2024