本文介绍了一种能够控制情感内容的情感驱动对话系统的方法,通过使用连续的情感表示来模拟词和句子级别的情感,并在推理过程中使用重新排名程序来获取最具情感相关性的响应。
Apr, 2019
通过引入情感方面的三种新方法,可以改善神经会话模型的自然语言处理能力,实现更加丰富、有趣和自然的情感化响应。
Sep, 2017
本文介绍了一种使用情感驱动的文本生成模型,其能够有效地生成带有情感色彩的、主题集中的且语法正确的句子,并集成了 GPT-2 等概率文本生成模型。该模型考虑了情感类别、强度和主题的灵活性,并在自动化评估和人类研究中优于其他情感文本生成模型。
Nov, 2020
提出了一种名为 Aff2Vec 的模型,利用词嵌入技术实现情感语言的表示,并在同义词和情感词汇方面取得了更好的结果,其在情感分析、人格检测和挫败预测等自然语言理解任务中优于基线模型。
May, 2018
本文提出了一种端到端情感丰富的神经对话模型,采用 VAD 注意机制将情感嵌入到每个单词中,并通过采用情感注意机制考虑了否定语和强化语的影响。最后,采用具有情感的目标函数训练模型,以产生具有情感丰富性的输出响应,得到人类的联合评估与基于困惑度的评估都优于同等规模的基线模型。
Nov, 2018
自动视觉化故事生成包含了自然对话生成和图像生成两个部分,其中,系统通过用户指定的关键词和情绪标签生成下一个句子,再用扩散模型生成相应的图像。此外,通过对象识别技术,生成的图像中的物品可被用于未来的故事发展。
Jan, 2023
本研究提出了一种使用生成式预训练变换技术检测主观段落中情感特征的方法,形成情感索引和情感指数指标,以消除用户构建情感特征检测机制的需要。同时,该研究主张采用责任分离的方法,用户保护情感个人信息数据,EARS 服务提供商不保留或存储数据,提供有效的情感意识建议。该研究为解决情感主观性和变异性、数据隐私、评估指标和基准提供了一种解决方案,并为未来 EARS 研究铺平了道路。
May, 2023
本论文提出一种计算共创环境下生成图像的新方法,利用经过心理学验证的三元素方法来量化所需影响, 通过训练神经网络以实现对文本和图像情感内容的估计,从而可对各种生成模型进行控制和影响。
Feb, 2023
本文介绍了一种基于生成对抗网络的 3D 姿势序列综合方法,通过合适的情感表达来综合共语上半身手势姿势。
Jul, 2021
本文提出了一种通过语法约束、异步引入情感和话题关键词来增强生成回复多样性、提高逻辑和情感比较的模型,相对于现有方法极大改善了传统神经语言模型产生通用回答、缺乏逻辑和情感的问题。
Jun, 2018