本研究旨在为对话系统引入人格特质,通过模拟人类在对话中的情感转换来自动选择回应中的情感,使用 VAD 情感空间和神经网络模型来呈现情感二元组之间的转换,并验证了此方法的有效性。
Jun, 2021
本文介绍了一种能够控制情感内容的情感驱动对话系统的方法,通过使用连续的情感表示来模拟词和句子级别的情感,并在推理过程中使用重新排名程序来获取最具情感相关性的响应。
Apr, 2019
本研究旨在研究将个性特征应用于对话生成中以提供个性化对话的问题,并提出了一种基于关键 - 值对的嵌入式特征融合模块和两种新颖的特征感知机制,即基于对话者的关注机制和基于对话者的偏置机制,并构建了 PersonalDialog 数据集,该数据集包含来自海量讲话者的具有不同特征的大量多轮对话。实验结果表明,所提出的模型能够在不同情境下处理适当的特征。
Jan, 2019
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
研究表明,说话者的个性和情感对对话有重要影响,因此考虑个性和情感的影响对于对话生成非常重要。为了解决这个问题,我们提出了 CPED: 一个大型、个性化和情感化的对话数据集,包含了与移情和个性特征相关的多源知识,涵盖性别、大五人格特质、13 种情感、19 种对话行为和 10 个场景。该数据集包含了来自 40 个电视节目的 392 个说话者的 12,000 多个对话,是新一代对话人工智能研究的新开放基准。
本文提出了基于异构图模型的情感对话生成方法,利用对话历史记录、情感流、面部表情、音频和说话人个性等多维信息来编码对话内容并生成适当情感的响应,实验结果表明,该方法可以有效地感知多源知识并生成令人满意的响应。
Dec, 2020
该研究使用情感数据增强方法,基于明确建模多轮对话中积极转移的情绪数据构建了语料库,并通过微调预训练的对话模型,开发了一种情感 - 情感开放域聊天机器人。该方法被证明在各种情感 - 情感指标上接近于人类表现,并与一些最先进的开放域聊天机器人进行了比较,证明了该方法的有效性。
Aug, 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。
本文提出了一个基于个人化的情感支持框架,结合了情感对话模型和基于策略的可控生成方法,可根据寻求者的个人信息提供个性化的情感支持,该框架实验结果表明 PAL 模型胜过其他基准模型。
Dec, 2022
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