- FATRER: 用于准确和稳健对话情感识别的全注意力主题正则化器
提出了一种情感识别器,利用全注意力主题正则化器将情感相关的全局视角引入到会话的局部上下文建模中,从表示和损失的角度实现正则化,通过注意力对齐实现对传统主题建模上的概率近似,并在三种类型的对抗攻击下取得更好的结果和令人信服的鲁棒性。
- 理解开放域聊天机器人中的多轮有害行为
设计了一种名为 oxicbot 的新攻击方式,通过对话序列来触发多轮对话中聊天机器人生成有毒回复,使得聊天机器人模型可以被触发生成有毒回复,进而绕过两种防御方法,需要进一步研究解决动态交互环境下聊天机器人的毒性问题。
- 面向教育的社交生成 AI:理论、实践和伦理
本文探讨了与人工智能进行的教育交流,不是作为提示和回应的序列,而是作为对话和探索的社交过程,在其中,学习者在互联网工具和资源的动态计算介质中不断与 AI 语言模型交谈。本文强调了构建用于教育的社交生成 AI 是需要开发强大的 AI 系统的, - IJCAI利用提示和释义来模拟思维过程进行情感识别的对话
本文提出一种新的框架来解决情感识别的任务,该框架结合了上下文理解、说话者背景及语义标签。作者在三个基准测试中进行了广泛的实验,并证明了该框架的优越性。
- 对话中的话语级情感推理:因果发现方法
本文提出了一种名为 CACD 的新型因果推断方法,旨在通过设计一个公共的骨架和生成替代的隐含因素来推导对话中的因果关系,该方法在情感相关领域的六个数据集上展示出比 SOTA 基准更好的性能表现。
- 情感惯性与传染驱动的依赖模型:对话中情感识别
本文提出了一种用于对话情感识别的新方法 EmotionIC,该方法驱动依赖建模,通过特征提取和分类级别实现情感识别,实验结果表明该方法在四个基准数据集上明显优于现有模型,证明了模块可以有效地模拟情感惯性和传染性。
- 从大规模网络视频中学习真实世界的对话
我们引入了 CHAMPAGNE,这是一个可以考虑到视觉上下文的对话生成模型,使用收集的大规模语料库 YTD-18M 进行训练,获得了最先进的结果。
- 对话中语音情感识别的分段特征表示的深度学习
本文针对会话中情绪识别的复杂性,提出了一种利用双向门控循环神经网络捕捉上下文相关性和说话人之间相互作用的对话情感识别方法。实验结果表明该方法比现有的最先进方法更为有效。
- WWW响应引导的强化对话生成在心理健康咨询中的应用
本研究提出了一种基于 READER 的对话操作引导加强型对话生成模型,用于基于虚拟心理健康助手的辅助心理咨询对话,该模型在对话 - 操作引导下能够生成更具语义丰富度的反应,经过了对多种评估方法的考察,表现优异。
- BERT-ERC:基于 BERT 的微调已足以在会话情感识别中使用
提议一种新方法,将语境信息和对话结构信息纳入 “pretrained language models”(PLMs)的微调步骤,来代替先前的两步骤方法,以提高情感识别效果。在新方法下开发的 BERT-ERC 模型在四个数据集上比现有方法均有显 - EMNLP对话系统中事实幻觉模式的深入探究
该研究通过人工反馈分析,提出了一种针对知识图谱 (Knowledge Graph) 聊天机器人中存在的事实幻觉问题的实体级幻觉检测系统,并创建了 FADE 合成数据集,用于与已建立的基准进行比较。
- 基于分布的对话情感识别
提出了一个分布式框架,将自动情感识别作为序列到序列问题来解决,通过引入贝叶斯训练损失来改善情感分布的不确定性估计,从而更好地处理情感标签的不确定性,实验结果表明,分布式框架在情感分类和不确定性估计方面优于单次话语和传统的基于人工设计特征的方 - EMNLPCARE: 有条件图生成的因果推理及移情回应
提出了一种新的名为 CARE 的框架,它通过使用 Conditional Variational Graph Auto-Encoder (CVGAE) 来推理所有可能的因果关系,并采用多源注意力机制来将这些因果关系注入到共情型对话响应生成中 - EMNLP情感识别对话的受监督原型对比学习
本文提出了一种基于监督原型对比学习和课程学习的方法,旨在解决情感识别中遇到的不平衡分类问题,其不需要大的批量比对。对应用该方法进行的三项基准测试的结果表明其取得了最佳效果,并且分析实验进一步证明了其有效性。
- 基于 ConceptNet 的 DialoGPT 在对话响应生成中的通识理解与推理
为了让对话代理具有常识推理的能力,将外部知识注入预训练的对话模型以建立基本的常识;提出 “双向学习” 方法实现常识知识与语句对之间的双向关系,并利用该集成常识的能力以改进开放域对话响应生成,结果表明 “常识适配器” 融合有助于 DialoG - KDD基于语境信息和常识的对话情感识别
提出了一种新的基于提示和语言模型调整的情感识别模型 CISPER,通过融入上下文信息、交往者情感以及常识知识等要素,可以更加准确地识别对话中的情感表达,明显超过当前最优解。
- 神经生成与真实人:构建社交、信息化的开放领域对话代理
Chirpy Cardinal 是一种开放领域的社交聊天机器人,以整合控制神经生成和人工编写的对话为特色,可以让用户和机器人交替驱动对话,从而产生一种有趣和社交流畅的体验。
- CoQAR: CoQA 上的问题重写
提出使用问句重写作为预处理步骤来弥补人类在对话中提出的带上下文依赖但自动化系统无法理解的问题,使用人工标注的 CoQAR 语料库进行了实验,证明了该方法对于提高对话问答模型性能的有效性。
- 情感不是 One-hot 编码:在对话情感识别中学习灰度标签
本文提出使用灰度标签(grayscale label)来构建情感识别模型,通过不同方法的探索,能够更有效的识别对话中的复杂情感表达,并在实验中证实了性能显著提升。
- IJCAI中介者:对话代理解释自然语言处理模型行为
介绍了一种以人为中心的可解释人工智能(HCXAI),并提出了基于文本的对话代理人(Mediators)的期望,以交互方式使用自然语言解释神经模型的行为,重点评估了对话式解释在情感分析方面的研究进展。