EMNLPFeb, 2024

利用情感 - 语义相关性进行共情式回应生成

PDF
TL;DR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。
empathetic response generationemotional wordsdynamic emotion-semantic vectorsdependency treescorrelations between emotions and semantics
发现论文，激发创造
  • 情感关联增强的共情式对话生成

    实现共情是朝向人性化对话系统的关键步骤。本文提出了一种新的情感相关增强的共情对话生成框架，完整地实现了情感相关的学习、利用和监督。实验结果表明我们的模型在共情感知和表达方面具有优势。

    Nov, 2023

  • 通过敏感情绪识别和合理知识选择的共情对话生成

    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

  • 情感回应生成的迭代联想记忆模型

    情感回应生成是理解对话表述中的认知和情感状态并生成适当回应。本文提出了一种迭代联想记忆模型 (IAMM)，通过使用新颖的二阶交互注意机制，迭代捕捉对话表述和情境、对话历史以及记忆模块 (用于存储关联词) 之间的重要关联词，从而准确而细致地理解表述。实验验证了该模型的有效性，并且语言模型的变化实验也表明关注关联词可以提高情感的理解和表达。

    Feb, 2024

  • CEM: 基于常识的共情回应生成

    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。

    Sep, 2021

  • 情感回应生成的理论驱动数据集构建与优化

    我们提出了一种新方法，利用理论驱动的偏好数据集和优化算法来对齐 LLMs，以提高情感回应生成的质量和模型的泛化性能，并通过 EmpatheticDialogues 数据集以及 diff-EPITOME 和 BERTscore 指标来评估其效果。

    Jun, 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

  • 情感原因转移图的共情响应生成

    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

  • 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

  • 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

  • 情感解析用于共情回应生成

    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