本文通过提出统一的端到端神经架构,实现对发帖的语义和情感的编码,以生成智能回复和恰当表达情感,实验证明在内容连贯性和情感适当性方面优于现有方法。
Jun, 2021
提出了一种通过增强语音感知能力来提升治疗聊天机器人对用户情绪理解和人性化回应的方法,该方法使用卷积神经网络(CNN)模型和 ShEMO 数据集的语音情感识别(SER)技术来准确检测和分类负面情绪,包括愤怒、恐惧和悲伤,并使用 SER 模型和 GloVe、LSTM 模型相结合的推荐系统生成个性化管理负面情绪的建议,同时将 GlowTTS 文本到语音模型整合到一起,使治疗聊天机器人能够用英语和波斯语将生成的建议以声音形式传达给用户,最终提高了英语和波斯语用户心理健康支持的交付效果。
Nov, 2023
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
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
本研究针对对话系统在生成人类化交互时响应的语义级别和情感级别一致性不足的问题,提出了一种统一的端到端神经架构,它能够同时编码一个帖子的语义和情感信息,并利用目标信息生成更智能、情感表达适当的响应。实验表明,这种方法在内容连贯性和情感恰当性方面优于现有技术。
Nov, 2020
本文提出了 Emotion Chatting Machine(ECM),它可以生成不仅在内容(相关和语法)而且在情感(情感一致)上都恰当的响应。通过嵌入情感类别、捕捉内部情感状态的变化以及使用外部情感词汇,ECM 使用三种新机制来解决情感因素。实验表明,所提出的模型可以生成不仅在内容而且在情感上都恰当的响应。
Apr, 2017
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
人类情绪理解对于推动对话技术走向主流至关重要。我们视语音情绪理解为一项感知任务,这是一个更加现实的设置。通过在 ACM Multimedia 2023 计算跨语音信息挑战(ComParE)中利用其丰富的多语种演讲者数据集和 ' 情感共享 ' 多标签回归目标,我们展示了不同基础模型的训练方案对于超越语音识别等非语义语音任务(例如情绪理解)的效果产生重要影响,尤其是针对多语种演讲者、目标标签的可变性以及回归数据集中的固有不平衡性,我们的结果表明,基于自注意力的轻量级序列模型 HuBERT-Large 相较于报告的基准线有 4.6% 的改进。
Aug, 2023
本研究提出了一种名为 Sentiment Look-ahead 的情感预测模型,结合基于强化学习的奖励函数,以提高生成模型对用户情感的理解和回应质量。实验结果表明,该模型相较于其他竞争模型,能够显著提高输出语句的情感态度、相关性和流畅性。
Jun, 2019