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
提出多分辨率对抗生成模型 EmpDG,应对情感对话生成的挑战,结合对话层级与细粒度的用户情感, 通过交互式对抗学习框架获取用户反馈, 在内容质量和情感准确性上显著优于现有基准。
Nov, 2019
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
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
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
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。
通过利用外部知识,包括常识和情感词汇知识,显式理解和表达情感,以生成共情响应,并通过情感交叉注意力机制从情感上理解和表达情感交互。
Sep, 2020
本文针对共情对话系统中,理解说话者的情感,并能产生合适的回复的技能进行了研究。我们提出了一种简单的技术,称为 “情感解码”,用于产生共情回应,该方法可以在每个解码步骤中有效地融合情感信号,并可以辅以辅助双重情感编码器进行增强。广泛的实证研究表明,相对于几种强大的主流方法,人类评估认为我们的模型更具共情能力。
Aug, 2021
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。
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