Jan, 2024

通过情感思维链条增强大型语言模型的情感生成能力

PDF
TL;DR提出了 Emotional Chain-of-Thought (ECoT) 方法，利用人类情感智能准则提升大型语言模型（LLMs）在情感生成任务中的性能；通过自动化模型评估方法 EGS 验证了 ECoT 的可靠性，并展示了其有效性；讨论了 LLMs 在情感分析领域的潜力，以及 LLMs 与 ECoT 在情感生成任务中的关键见解。
emotional generationemotion generationemotional chain-of-thoughtllmssentiment analysis
发现论文，激发创造
  • 同理心之链：基于心理治疗模型提升大型语言模型的同理心反应

    我们提出了一种新颖的方法 —— 共情链（CoE）提示法，利用来自心理治疗学的见解来引导大型语言模型（LLM）对人类的情感状态进行推理。通过采用认知行为治疗（CBT）、辩证行为治疗（DBT）、人本主义治疗（PCT）和现实疗法（RT）等不同心理治疗方法，我们发现 LLM 在没有推理的情况下主要产生探索性的回应，而当 LLM 使用共情链推理时，我们发现其生成了更全面的同理回应，与每种心理治疗模型的不同推理模式相一致。CBT 基于的 CoE 方法生成了最平衡的同理回应，该研究强调了理解情感背景及其如何影响人类和人工智能沟通的重要性。我们的研究有助于了解将心理治疗模型纳入 LLM 的方式，促进特定环境、更安全和富有同理心的人工智能的发展。

    Nov, 2023

  • ECR-Chain: 通过推理链推进生成式语言模型以提高情感原因推理

    通过逐步推理方法 (ECR-Chain) 以及促进模型优化的 few-shot prompting，本研究在生成式语言模型中引入情感生成过程的因果关系，并且能够在可解释的方式下成功进行情感因果推理。

    May, 2024

  • ERA-CoT: 通过实体关系分析改进思维链

    我们提出了一种新的方法 ERA-CoT，通过捕捉实体之间的关系并通过思维链条（CoT）支持多样化任务的推理，从而帮助大型语言模型（LLMs）理解上下文，实现了在 GPT3.5 上相较于现有的 CoT 提示方法，平均提升了 5.1％的显著改进，增加了 LLMs 对实体关系的理解，显著提高了问答的准确性和推理能力。

    Mar, 2024

  • 情绪刺激：通过心理学为大型语言模型提升增强

    大语言模型通过 EmotionPrompt 在情绪智能方面进行性能提升，取得了显著的成果，有助于人类与语言模型的跨学科知识交互。

    Jul, 2023

  • 思想交流：通过模型协作提升大型语言模型的能力

    通过链式推理技术，大型语言模型（LLMs）在复杂推理任务中取得了显著进展。然而，它们的推理常常受到内在理解的局限，缺乏外部洞察力。为了解决这个问题，我们提出了一种名为 “交换思路（EoT）” 的新框架，它在问题解决过程中实现了跨模型通信。EoT 从网络拓扑中汲取灵感，整合了四种独特的通信范式：记忆、报告、中继和辩论。本文深入探讨了每种范式所涉及的通信动态和通信量。为了平衡不正确推理链的风险，我们在这些通信中实现了一个健壮的置信度评估机制。我们对各种复杂推理任务进行的实验表明，EoT 明显超过了已有的基线方法，凸显了外部洞察力在增强 LLM 性能方面的价值。此外，我们还展示了 EoT 以一种具有成本效益的方式实现这些卓越结果，标志着高效而协同的人工智能问题解决的有望发展。

    Dec, 2023

  • ChainLM: 通过改进思维连贯性促进大型语言模型的能力

    Chain-of-Thought 提示可以增强大型语言模型（LLMs）的推理能力，现有的 CoT 综合方法针对简单推理任务，导致 CoT 提示的质量低且不一致。为了应对这一挑战，我们进行了 CoT 提示的实证研究并引入了 CoTGenius，一个用于自动生成优质 CoT 提示的新框架。我们进一步采用 CoTGenius 创建了一个广泛的 CoT 数据集，并在该数据集上对 Llama 2-Chat 7B 和 13B 模型进行了微调，得到了 ChainLM 模型。为了解决推理步骤中的累积误差问题，我们提出了一种步骤级辩论方法，其中多个辩论者讨论每个推理步骤，得出正确答案。大量实验证明，与现有模型相比，我们的 ChainLM 模型在解决一系列复杂推理问题方面表现出更高的熟练度。此外，我们对 CoTGenius 中的数据类别对模型性能的影响进行了深入分析。我们在此 https URL 上发布了我们的数据集和代码。

    Mar, 2024

  • ESCoT: 朝着可解释的情感支持对话系统

    提出一种名为 ESCoT 的情感支持响应生成方案，该方案通过模拟 “识别”、“理解” 和 “调节” 情绪的过程来赋予系统更好的可解释性，并通过构建新数据集和开展实验证实了 ESCoT 的有效性和生成的对话响应。

    Jun, 2024

  • 从大型语言模型中学习序列生成的评估模型

    我们提出了 ECT（evaluation capability transfer）方法，通过从 ChatGPT 中学习评价模型，并将其作为奖励模型应用于强化学习和重新排序方法中，以改善序列生成模型。在机器翻译、文本风格转换和摘要任务上的实验结果证明了 ECT 的有效性。

    Aug, 2023

  • 大型语言模型中演化算法引导的零射链条思维推理

    大语言模型通过应用无需预先训练的思维链式促进方法展示了卓越的表现，并展示了出色的推理能力。本文介绍了一种新的零样本促进方法，利用进化算法为大语言模型动态生成多样的促进方式，通过选择适合的促进方式提高模型的理解能力。详细实验结果表明，相较于当前的零样本推理方法，在 GPT-3.5-turbo 和 GPT-4 上，我们的方法表现出更优越的性能。此外，深入的分析实验突显了本方法在各种推理任务中的适应性和有效性。

    Feb, 2024

  • 基于情境背景的情感神经语言生成

    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