Feb, 2024

情感状态认知：为共情对话生成验证性回应

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 多轮共情对话中的积极情感引导探究

    本文提出了一种新的任务：使用情感支持生成具有积极情感诱导的共情式对话，以促进用户情感的积极化。为了研究这一任务，我们收集了一个大规模的情感对话数据集 (PosEmoDial)，并建立了一个基准结果，同时我们将发布这个数据集和相关源代码以促进未来的研究。

    Apr, 2022

  • 面向共情的开放领域对话模型：新基准和数据集

    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

  • 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

  • 情感识别和生成对话的统一框架

    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

  • 利用大型语言模型的潜力进行共情回应的生成：实证研究和改进

    大型语言模型在培养有同理心的对话、构建和谐社会关系以及发展有帮助的人工智能方面具有至关重要的作用。本研究通过实证调查了大型语言模型在生成有同理心的回应方面的性能，并提出了三种改进方法：语义上下文学习、两阶段交互生成和与知识库的结合。广泛的实验证明，我们的方法能够显著改善大型语言模型的性能，在自动评估和人工评估方面达到最先进的水平。此外，我们还探索了 GPT-4 模型模拟人工评估者的可能性。

    Oct, 2023

  • 共情式对话系统：现有进展、差距和机遇综述

    本研究通过五个评估维度研究人们在对话系统中尝试引入共情时所存在的关键点和未来机会，发现用户建模和对用户情感的检测和鉴别是需要进一步研究的核心问题；同时，处理多模式输入，显示更细腻的共情行为，以及包括其他对话系统特征也是需要关注的问题。

    May, 2022

  • 人类社交对话中共情回应意图的分类

    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

  • 使用自适应共情回应教授英语

    该研究提出通过音频识别负面情感以实现具有自适应共情反馈的英语教学聊天机器人，并通过初步用户研究证明了该系统的有效性。

    Apr, 2024

  • 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

    本文提出一种利用八种共情响应意图的分类法来控制和解释聊天机器人的共情响应能力的方案：该方案包括两个模块，一个是响应情感 / 意图预测模块，另一个是响应生成模块。研究结果表明，该方案可以生成比端到端模型更多样化且更具共情的响应。

    May, 2023