A Multi-Turn Emotionally Engaging Dialog Model
École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院)
开放域对话系统(也称为聊天机器人)在自然语言处理中越来越受到关注。最近的一些工作旨在将情感信息纳入序列到序列神经对话建模中,使反应在情感上更丰富,而其他人则使用手工制作的规则来确定所需的情感反应。然而,他们并没有明确地学习人类对话中捕捉到的微妙的情感互动。在本文中,我们提出了一个多轮对话系统,旨在学习和产生情感反应,到目前为止,只有人类知道如何做。离线实验表明,与两个基线模型相比,该方法在困惑分数上表现最好。进一步的人类评估证实,我们的聊天机器人可以跟踪对话上下文,并在情感上产生更合适的反应,同时在语法上表现同样出色。
2020-06-24 cs.AI cs.CL cs.HC
Dream to Chat: Model-based Reinforcement Learning on Dialogues with User Belief Modeling
Geely AI Lab(Geely人工智能实验室);Beijing Institute of Technology(北京理工大学)
本文提出DreamCUB框架,通过构建对话世界模型预测用户信念(情绪、情感、意图),结合模型强化学习提升对话质量,在情绪分类和情感识别上达到最优,并具有良好的迁移性。
2025-09-26 cs.AI cs.CL
FaceChat: An Emotion-Aware Face-to-face Dialogue Framework
Columbia University(哥伦比亚大学)
虽然像ChatGPT这样的当前对话系统在基于文本的交互方面取得了重大进展,但它们往往忽视了其他模式在增强整体用户体验方面的潜力。我们提出了FaceChat,一个基于网络的对话框架,使情感敏感和面对面的对话。通过无缝集成自然语言处理、计算机视觉和语音处理方面的尖端技术,FaceChat提供了高度沉浸式和引人入胜的用户体验。FaceChat框架具有广泛的潜在应用,包括咨询,情感支持和个性化客户服务。该系统被设计为简单和灵活的平台,为未来的研究人员推进多模态对话系统领域。该代码可在https://github.com/qywu/FaceChat上公开获取。
2023-03-08 cs.AI cs.CL
Chatbots for Mental Health Support: Exploring the Impact of Emohaa on Reducing Mental Distress in China
Tsinghua University(清华大学);Beijing Normal University(北京师范大学)
对心理健康支持的需求日益增长,凸显了对话代理作为全球和中国人类支持者的重要性。这些药物可以增加心理健康支持的可用性并降低其相对成本。所提供的支持可分为两大类:认知支持和情感支持。现有的工作主要集中在构建代理,采用认知行为疗法(CBT)的原则。这种代理基于预定义的模板和练习来操作,以提供认知支持。然而,研究情绪支持使用这样的代理是有限的。此外,大多数被构建的代理人使用英语进行操作,这突出了在中国进行此类研究的重要性。在这项研究中,我们分析了Escherhaa在减少精神痛苦症状方面的有效性。Rehhaa是一个会话代理,通过基于CBT的练习和引导对话提供认知支持。它还通过使用户能够发泄他们想要的情绪问题来在情感上支持用户。该研究包括134名参与者,分为三组:Eschhaa(基于CBT),Eschhaa(完全)和对照组。实验结果表明,与对照组相比,使用Escherhaa的参与者在精神痛苦症状方面有了更显著的改善。我们还发现,添加情绪支持剂对这些改善有补充作用,主要是抑郁和失眠。根据所获得的结果和参与者对平台的满意度,我们得出结论,Escherhaa是减少精神痛苦的实用有效工具。
2022-09-21 cs.CL cs.HC
Towards an Online Empathetic Chatbot with Emotion Causes
Xiaomi AI Lab(小米人工智能实验室)
现有的情感感知对话模型通常侧重于控制响应内容以与特定的情感类别保持一致,而同理心是理解和关心他人感受和体验的能力。因此,关键是要了解引起用户情感共鸣的原因。情感原因。为了收集在线环境中的情绪原因,我们利用咨询策略并开发了一个移情聊天机器人来利用因果情绪信息。在一个真实的在线数据集上,我们通过将我们的聊天机器人与几种使用自动度量、基于专家的人工判断以及基于用户的在线评估的SOTA方法进行比较,验证了所提出方法的有效性。
2021-05-11 cs.AI cs.CL
Utilizing Speech Emotion Recognition and Recommender Systems for Negative Emotion Handling in Therapy Chatbots
Islamic Azad University, South Tehran Branch(伊斯兰阿扎德大学南德黑兰分校)
本文提出结合语音情感识别(SER)和推荐系统增强治疗聊天机器人,使用CNN和ShEMO数据集识别负面情绪,并通过GloVe与LSTM模型生成个性化情绪管理建议,集成GlowTTS实现英波双语语音交互,显著提升心理健康支持效果。
2023-11-18 cs.AI cs.CL
CuentosIE: can a chatbot about "tales with a message" help to teach emotional intelligence?
Universidad de Alicante(阿利坎特大学);Malaga University(马拉加大学)
本研究提出情绪教育聊天机器人CuentosIE,依托筛选分类的专业有寓意故事,提供多种情绪学习与发展监测工具,初步评估验证了其在情绪智力教学中的有效性。
2024-03-11 cs.AI cs.CL
Journalists, Emotions, and the Introduction of Generative AI Chatbots: A Large-Scale Analysis of Tweets Before and After the Launch of ChatGPT
University of Oregon(俄勒冈大学);Michigan State University(密歇根州立大学)
本研究通过分析美国主流媒体记者的近百万条推文,结合计算与NLP技术发现ChatGPT推出后记者积极情绪上升,揭示了记者情绪对AI公众叙事的影响,拓展了新闻、情绪与AI交叉领域的研究。
2024-09-13 cs.AI cs.CC cs.CL
SocialNLP EmotionX 2019 Challenge Overview: Predicting Emotions in Spoken Dialogues and Chats
Taiwan International Graduate Program(台湾国际研究生学程);National Tsing Hua University(台湾清华大学);Academia Sinica(中央研究院)
我们概述了在第七届社交媒体自然语言处理国际研讨会(SocialNLP)上与IJCAI 2019联合举办的AsitionX 2019挑战赛。这项挑战需要使用增强的AppropriationLines数据集来预测口语和基于聊天的对话中的情绪。QuestionLines包含两个不同的数据集:第一个包括来自美国电视情景喜剧剧集脚本(Friends)的摘录,第二个包含在线聊天(QuestionPush)。共有36支队伍报名参加挑战赛。11个团队成功提交了预测性能评估。得分最高的团队在基于口语的对话(朋友)和基于聊天的对话(Push)中分别获得了81.5%和79.5%的微F1分数。
2019-09-18 cs.CL
"Only ChatGPT gets me": An Empirical Analysis of GPT versus other Large Language Models for Emotion Detection in Text
LIRMM UM5506 - CNRS, Université de Montpellier(蒙彼利埃大学、法国国家科学研究中心联合LIRMM UM5506实验室)
本文实证比较了 GPT 与其他大型语言模型在 GoEmotions 数据集上的文本情绪检测能力,发现 GPT 表现突出,为提升人机交互中的情感理解提供了依据。
2025-03-05 cs.AI cs.CL
Tracking Emotional Dynamics in Chat Conversations: A Hybrid Approach using DistilBERT and Emoji Sentiment Analysis
Kazakh-British Technical University(哈萨克英国技术大学);School of Information Technology and Engineering(信息技术与工程学院)
本文提出结合DistilBERT文本情绪检测与表情符号情感分析的混合方法,用于实时追踪聊天对话中的情绪动态,并在Twitter数据集上验证其优于SVM、Random Forest和AdaBoost的性能。
2024-08-03 cs.CL
Lie-Sensor: A Live Emotion Verifier or a Licensor for Chat Applications using Emotional Intelligence
Pandit Deendayal Petroleum University(潘迪特·迪恩达亚尔石油大学)
准确性是研究和开发创新产品的关键。实时情感分析和验证可以消除在实时聊天中对投诉者的欺骗,证实消息应用程序中两端的消息,并促进用户之间的诚实对话。这种情感人工智能验证器背后的主要概念是通过比较通过面部表情和文本预测识别的聊天应用程序用户的各种情绪来许可或拒绝消息问责制。在本文中,提出的情感智能现场检测器作为一个诚实的仲裁者谁分配到标签,即,快乐,悲伤,惊讶,和仇恨的面部情绪。此外,它通过文本分类单独预测消息的标签。最后,它比较两个标签,并宣布该消息为欺诈或善意。对于情感检测,我们使用miniXception模型部署了卷积神经网络(CNN),对于文本预测,我们选择了支持向量机(SVM)自然语言处理概率分类器,因为在应用支持向量机(SVM)、随机森林分类器、朴素贝叶斯分类器和Logistic回归后,在训练数据集上获得了最佳准确度。
2021-02-11 cs.AI cs.CL cs.CV
Are Generative Language Models Multicultural? A Study on Hausa Culture and Emotions using ChatGPT
本文通过37个文化问题对比ChatGPT与豪萨语母语者的回答,结合情感分析和相似度度量,揭示ChatGPT在低资源语言文化情感表征上的相似性与偏差。
2024-06-27 cs.CL
Chat-Capsule: A Hierarchical Capsule for Dialog-level Emotion Analysis
Beijing Academy of Artificial Intelligence(北京人工智能研究院);Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);Nanyang Technological University(南洋理工大学);Amazon Web Services(亚马逊云科技);Lingxin AI(灵心智能);Tsinghua University(清华大学)
许多对话情感分析的研究只关注话语层面的情感。因此,这些模型并没有针对对话级情感检测进行优化,即,不能作为一个整体来预测对话的情感类别。更重要的是,这些模型不能从整个对话框提供的上下文中获益。在现实世界的应用中,对对话的注释可以是细粒度的,包括话语级标签(例如,说话者类型、意图类别和情感类别)和对话级标签(例如,用户满意度和情感曲线类别)两者。本文提出了一个基于上下文的层次注意力胶囊模型,它同时模拟了话语层和对话层的情感及其相互关系。在从电子商务平台的客户支持收集的对话数据集上,我们的模型也能够预测用户满意度和情感曲线类别。情感曲线是指随着谈话的发展,人们的情感发生变化的曲线。实验表明,建议聊天胶囊优于国家的最先进的基准数据集和专有数据集的基线。源代码将在接受后发布。
2022-03-23 cs.CL
ChatGPT Reads Your Tone and Responds Accordingly -- Until It Does Not -- Emotional Framing Induces Bias in LLM Outputs
Independent Researcher(独立研究者)
本研究通过改变156条不同话题提示的情绪基调,发现GPT-4存在情绪框架引发的反弹偏差,敏感话题下对齐机制会抑制该偏差,还提出语气下限等概念并量化行为,揭示了一类未被充分探究的LLM偏差。
2025-06-17 cs.AI cs.CL
Emotion-Aware Embedding Fusion in LLMs (Flan-T5, LLAMA 2, DeepSeek-R1, and ChatGPT 4) for Intelligent Response Generation
University of Hawaii at Manoa(夏威夷大学马诺阿分校);SelTeq(塞尔泰克公司);Donghua University(东华大学);Nanjing University of Aeronautics and Astronautics(南京航空航天大学)
本文提出情感感知嵌入融合框架,结合多情感词典、分层融合、注意力机制及FAISS向量检索,以增强Flan-T5、LLAMA 2等大语言模型在心理治疗中生成富有同理心回应的能力。
2025-03-11 cs.AI cs.CL cs.CY
Mixed Chain-of-Psychotherapies for Emotional Support Chatbot
Shanghai Jiao Tong University(上海交通大学);Rutgers University(罗格斯大学);University of Texas at Arlington(德克萨斯大学阿灵顿分校)
本文提出 PsyMix 聊天机器人,通过心理疗法链分析求助者状态并微调融合多种心理疗法优势,在情感支持中超越 ChatGPT 基线并达到与人类咨询师相当的共情水平。
2024-09-29 cs.CL
Emotion Recognition based on Psychological Components in Guided Narratives for Emotion Regulation
Univ. Paris-Saclay(巴黎萨克雷大学);CNRS(法国国家科学研究中心);ENS Paris-Saclay(巴黎萨克雷高等师范学院);Institut Universitaire de France(法国大学研究院);CentraleSupélec(中央理工-高等电力学院)
本文引入法语情绪叙事语料库,基于 Component Process Model 理论框架,利用机器学习与预训练语言模型研究心理成分对情绪分类的影响,发现联合所有成分可取得最佳预测效果。
2023-05-15 cs.AI cs.CL
EmoXpt: Analyzing Emotional Variances in Human Comments and LLM-Generated Responses
SUNY Polytechnic Institute(纽约州立大学理工学院);University of Maryland Baltimore County(马里兰大学巴尔的摩县分校)
本研究提出EmoXpt情感分析框架,分析人类关于生成式AI的推文及ChatGPT的对应回复,发现大语言模型生成的回复比人类回复更高效、连贯且情绪更积极。
2026-10-14 cs.AI cs.CL cs.HC
How Human is AI? Examining the Impact of Emotional Prompts on Artificial and Human and Responsiveness
University of Zurich(苏黎世大学)
本研究探讨情感提示对AI和人类回应的影响,发现积极情绪提升AI表现,而愤怒减少其企业利益倾向,指责则影响后续人际交流。
2026-01-08 cs.CL econ.GN q-fin.EC
Emotion-guided Cross-domain Fake News Detection using Adversarial Domain Adaptation
Delhi Technological University(德里理工大学);University of Technology Sydney(悉尼科技大学)
最近关于假新闻检测的研究表明,使用情感作为特征或基于情感的特征可以提高性能。然而,这些情感引导的特征在跨领域设置中对假新闻检测的影响,我们面临着领域转移的问题,在很大程度上仍然没有被探索。在这项工作中,我们评估了情感引导特征对跨领域假新闻检测的影响,并进一步提出了一种使用对抗性学习的情感引导、领域自适应方法。我们证明了情感引导模型在跨域设置中的有效性,这些模型适用于FakeNewsAMT,Celeb,Politifact和Gossipcop数据集的源和目标数据集的各种组合。
2022-11-24 cs.CL
An Emotion-guided Approach to Domain Adaptive Fake News Detection using Adversarial Learning
Biometric Research Laboratory, Delhi Technological University(德里理工大学);School of Computer Science, FEIT, University of Technology Sydney(悉尼科技大学)
最近关于假新闻检测的研究表明,使用情绪作为提高性能的特征是有效的。然而,情感引导特征对虚假新闻检测的跨领域影响仍然是一个悬而未决的问题。在这项工作中,我们提出了一种用于跨域假新闻检测的情感引导,域自适应,多任务方法,证明了情感引导模型在各种数据集的跨域设置中的有效性。
2022-11-26 cs.CL
Expert-Guided Multimodal Fusion for Unified Emotion and Sentiment Analysis
School of Software, Dalian University of Technology, China(软件学院,大连理工大学,中国)
本文提出EGMF框架,通过专家引导的多模态融合与大语言模型结合,实现情绪识别与情感分析的统一处理,提升跨语言鲁棒性。
2026-08-11 cs.AI cs.CL
ChatWise: A Strategy-Guided Chatbot for Enhancing Cognitive Support in Older Adults
George Mason University(乔治·玛森大学);University of Texas at Austin(德克萨斯大学奥斯汀分校);Michigan State University(密歇根州立大学);University of Michigan(密歇根大学)
本文提出策略引导聊天机器人ChatWise,通过宏观策略规划与微观语句生成的双层框架改善老年人认知支持,实验表明其接近专业照护者行为并优于隐式对话基线。
2025-06-05 cs.AI cs.CL cs.CY
Emotion-Aligned Generation in Diffusion Text to Speech Models via Preference-Guided Optimization
本文提出EASPO框架,通过偏好引导优化实现扩散文本到语音模型的情感对齐生成,提升语音的表达性和自然度。
2026-02-06 cs.AI cs.CL cs.SD
ChatGPT-EDSS: Empathetic Dialogue Speech Synthesis Trained from ChatGPT-derived Context Word Embeddings
The University of Tokyo(东京大学);LINE Corp.(LINE公司)
提出ChatGPT-EDSS方法,利用ChatGPT提取对话历史中的意图、情感和风格词嵌入作为条件特征,实现无需人工标签的共情对话语音合成,性能媲美使用情感标签或神经网络提取上下文的方法。
2023-05-23 cs.CL cs.LG cs.SD
EmoInstruct-TTS: Dual-Path Instruction-Guided Emotional Speech Synthesis
University of Science and Technology of China(中国科学技术大学);iFLYTEK Research(科大讯飞研究院);Huawei Technologies Co., Ltd.(华为技术有限公司)
提出EmoInstruct-TTS双路径框架,通过情感嵌入和指令条件情感流模型实现细粒度情感控制,提升语音情感可控性和自然度。
2026-06-23 cs.AI cs.CL cs.SD
Emotion Eliciting Machine: Emotion Eliciting Conversation Generation based on Dual Generator
Huawei Poisson Lab.(华为 Poisson 实验室);Université de Montréal(蒙特利尔大学);Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学高瓴人工智能学院)
近年来,在构建情感聊天机器人方面取得了巨大进展。已经提出了大量的方法让聊天机器人生成具有给定情绪的响应。然而,用户在对话期间的情感变化尚未被充分探索。在这项工作中,我们研究的问题,积极的情绪诱导,其目的是产生的反应,可以引起积极的情绪的用户,在人机对话。我们提出了一个弱监督的情绪诱导机(EEM)来解决这个问题。具体来说,我们首先收集用户情绪状态变化的弱标签在转换的基础上预先训练的情感分类器。然后,我们提出了一个双重的编码器-解码器的结构来模拟的积极和消极的一方的反应的产生的基础上的变化,用户的情绪状态在会话中。在二元结构的基础上引入情绪诱发因子,以平衡情绪诱发过程中积极和消极情绪对反应的影响。该因素还为情绪诱发提供了细粒度的控制方式。在一个大的真实世界数据集上的实验结果表明,EEM优于现有的模型,在产生积极的情绪引发的反应。
2021-05-18 cs.CL
CAiRE: An Empathetic Neural Chatbot
The Hong Kong University of Science and Technology(香港科技大学);EMOS Technologies Inc.(EMOS科技公司)
在本文中,我们提出了一个端到端的移情会话代理CAiRE。我们的系统适应TransferTransfo(Wolf等人,2019)学习方法,微调具有多任务目标的大规模预训练语言模型:响应语言建模,响应预测和对话情感检测。我们在最近提出的移情对话数据集(Rashkin et al.,2019),实验结果表明,CAiRE在对话情感检测和移情反应生成方面达到了最先进的性能。
2020-04-26 cs.CL
Hello-Chat: Towards Realistic Social Audio Interactions
Hello-Chat通过大规模真实对话数据和模态交错训练策略,实现了在拟人化生成和情感一致性方面的突破,推动 empathetic AI 的发展。
2026-02-16 cs.AI cs.CL cs.SD
Maestro-EVC: Controllable Emotional Voice Conversion Guided by References and Explicit Prosody
Graduate School of Artificial Intelligence(人工智能研究生院);Dept. of Computer Science and Engineering(计算机科学与工程系);Pohang University of Science and Technology (POSTECH)(釜山科学技术大学)
提出Maestro-EVC框架,通过从独立参考中解耦内容、说话人身份和情感实现可控情感语音转换,并引入时间情感表示与显式韵律建模以精准捕捉情感时间动态,实现高质量且富有表现力的语音合成。
2025-08-09 cs.AI cs.CL cs.SD
How emoji and word embedding helps to unveil emotional transitions during online messaging
University of Virginia(弗吉尼亚大学);School of Data Science(数据科学学院)
在网上聊天时,肢体语言和声音特征不是沟通机制的一部分,这使得准确解释感觉、情绪和态度变得非常困难。使用表情符号来表达情感是这些类型的沟通中的另一种方法。在这个项目中,我们专注于在与聊天机器人的在线消息会话中建模客户的情绪。我们使用情感控制理论(ACT)来预测互动过程中的情绪变化。为了让客户使用表情符号,我们还扩展了ACT使用的情感词典。为此,我们映射到情感空间的xuji2vec嵌入。我们的框架可以发现消息传递过程中的情绪变化以及客户的反应如何相应地改变。
2021-03-23 cs.CL cs.HC cs.SI
PRCCF: A Persona-guided Retrieval and Causal-aware Cognitive Filtering Framework for Emotional Support Conversation
School of Computer Science and Engineering, Northeastern University, Shenyang, Liaoning, China(东北大学计算机科学与工程学院,沈阳,辽宁,中国);Oracle Cloud Infrastructure, Oracle, Santa Clara, CA, United States(甲骨文云基础设施,甲骨文公司,圣克拉拉,加利福尼亚州,美国)
PRCCF通过结合语义兼容性和人格对齐的检索机制,以及因果感知的认知过滤模块,提升情感支持对话中上下文认知理解能力,在ESConv数据集上优于现有方法。
2026-04-02 cs.CL
Emotion-Cause Pair Extraction as Question Answering
Cinnamon AI(肉桂人工智能公司);Hung Yen University of Technology and Education(兴安技术教育大学)
情感-原因对抽取(ECPE)的任务是在没有任何情感或原因子句注释的情况下抽取文档中所有潜在的情感-原因对。以前的方法ECPE试图改善传统的两步处理方案,通过使用复杂的架构建模的情绪-原因的相互作用。在本文中,我们将ECPE任务转换为问答(QA)问题,并提出了简单而有效的基于BERT的解决方案来解决它。给定一个文档,我们的Guided-QA模型首先使用一个固定的问题来预测最佳的情感子句。然后,预测的情绪被用作一个问题来预测情绪的最潜在原因。我们评估我们的模型在一个标准的ECPE语料库。实验结果表明,尽管它的简单性,我们的引导QA取得了可喜的成果,很容易重现。并给出了Guided-QA的代码。
2023-01-06 cs.CL
Emotion and Sentiment Guided Paraphrasing
Westview High School(韦斯特维尤高中);Portland State University(波特兰州立大学)
本研究提出沿情感梯度的细粒度情感释义新任务,重构带细粒度情感标签的释义数据集,提出利用预训练语言模型的情感引导释义框架,显著提升高质量目标情绪释义的生成概率与相关指标得分。
2023-06-08 cs.CL cs.LG
PK-Chat: Pointer Network Guided Knowledge Driven Generative Dialogue Model
Shanghai Jiao Tong University(上海交通大学);Institute of Geographical Science and Natural Resources Research, Chinese Academy of Sciences(中国科学院地理科学与资源研究所)
提出PK-Chat,一种结合预训练语言模型与知识图谱指针网络的知识驱动生成式对话模型,解决了特定领域对话中的不连贯与错误信息问题,并构建了地球科学学术对话系统及评估基准。
2023-04-02 cs.CL
Clinically Inspired Symptom-Guided Depression Detection from Emotion-Aware Speech Representations
Speech Processing Lab, LTRC IIIT Hyderabad(IIIT Hyderabad语音处理实验室)
本文提出了一种症状引导和情感感知的抑郁症检测框架,通过语音表示实现症状层面的抑郁症严重程度估计。
2026-02-17 cs.CL
Speaker-Guided Encoder-Decoder Framework for Emotion Recognition in Conversation
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络空间安全学院)
会话中的情感识别(ERC)任务旨在预测会话中话语的情感标签。由于说话人之间的依赖关系是复杂的、动态的,包括说话人内部和说话人之间的依赖关系,因此说话人特定信息的建模在ERC中起着至关重要的作用。尽管已有的研究者提出了多种说话人交互建模方法,但他们不能同时研究说话人内和说话人间的动态依赖关系,导致对语境的理解不足,进一步阻碍了情感预测。为此,我们设计了一种新的扬声器建模方案,探讨内和扬声器间的依赖关系,以动态的方式共同。此外,我们提出了一个演讲者引导的编码器-解码器(SGED)框架ERC,充分利用说话者信息的情感解码。我们使用不同的现有方法作为我们的框架的会话上下文编码器,显示出所提出的框架的高可扩展性和灵活性。实验结果证明了SGED的优越性和有效性。
2022-06-07 cs.CL cs.SD eess.AS
Acknowledgment of Emotional States: Generating Validating Responses for Empathetic Dialogue
Graduate School of Informatics, Kyoto University(京都大学情报学研究科)
本文提出首个生成验证性回应的共情对话框架,通过验证时机检测、情绪状态识别和回应生成三个模块,在日文文本及语音对话数据集上均优于随机基线和 ChatGPT。
2024-02-20 cs.CL
Agent-Guided Evidence Acquisition for Emotion-Cause Pair Extraction
Universiti Malaya(马来亚大学);Suzhou University of Technology(苏州科技大学);VinUniversity
该研究针对情感-原因对抽取(ECPE),提出智能体引导的证据获取方法,在10%查询率下使平均对F1提升2.64-3.88个百分点,为ECPE的高效证据获取提供了实证基础。
2026-10-14 cs.CL
Few-Shot Emotion Recognition in Conversation with Sequential Prototypical Networks
LTCI, Télécom-Paris, Institut Polytechnique de Paris(巴黎理工学院巴黎电信学院LTCI实验室);Direction Innovation & Recherche SNCF(法国国家铁路公司创新与研究部)
最近几项关于人与人之间的二元互动的研究都是在没有特定商业目标的对话中进行的。然而,许多公司可能会受益于专门针对更精确环境的研究,如售后服务或客户满意度调查。在这项工作中,我们将自己置于实时聊天客户服务的范围内,我们希望在对话流中检测情绪及其演变。这种背景导致了多种挑战,从利用有限的,小的和大多数未标记的数据集,以寻找和适应这种情况下的方法。我们通过使用少样本学习来解决这些挑战,同时假设它可以为不同语言和稀疏标签的会话情感分类服务。我们通过提出一种原型网络的变体来进行序列标记,我们将其命名为ProtoSeq。我们在两个不同语言的数据集上测试了这种方法:英语日常对话和法语客户服务聊天对话。当应用于会话中的情感分类时,即使与其他方法相比,我们的方法也具有竞争力。
2021-09-20 cs.CL cs.LG