Developing Enhanced Conversational Agents for Social Virtual Worlds
Universidad Carlos III de Madrid(马德里卡洛斯三世大学);University of Granada(格拉纳达大学)
本文提出一种结合人工智能、自然语言处理、情感计算与用户建模的方法,开发面向社交虚拟世界的具身多模态对话智能体,其对话行为能基于语料库与交互知识自适应学习,并在Second Life中成功验证了其对用户特征的适应性。
2025-01-14 cs.CL cs.SD eess.AS
Social bot detection in the age of ChatGPT: Challenges and opportunities
本文综述ChatGPT时代社交机器人检测的挑战与机遇,指出当前技术空白,提出生成式数据、多模态跨平台检测、低资源语言扩展及联邦学习协作等未来研究方向。
2026-10-05 cs.CL cs.CY
Cognitively Inspired Components for Social Conversational Agents
Artificial Intelligence Research Centre (CitAI)(人工智能研究中心(CitAI));City, University of London(伦敦城市大学)
本文综述认知启发组件如何通过语义与情景记忆、情绪、工作记忆和学习能力,同时改善对话智能体的技术缺陷与社会规范遵循问题。
2023-11-09 cs.AI cs.CL
Delivering Cognitive Behavioral Therapy Using A Conversational SocialRobot
University of Denver(丹佛大学);Eaton Senior Community(伊顿老年社区)
社交机器人正在成为我们日常生活中不可或缺的一部分,因为它们能够提供陪伴和娱乐。机器人的一个子领域,社会辅助机器人(SAR),特别适合将这些好处扩展到医疗保健环境中,因为它具有提供认知,社交和情感支持的独特能力。本文介绍了我们最近的研究,通过评估一个生活般的会话社交机器人,称为瑞安,管理互联网提供的认知行为治疗(iCBT)的老年人抑郁症的能力,开发SAR。为了让赖安进行治疗,我们开发了一个对话管理系统,叫做Program-R。使用经过认可的抑郁症治疗CBT手册,我们创建了7个小时的iCBT对话,并使用人工智能置标语言(AIML)将其集成到Program-R中。为了评估基于机器人的iCBT的有效性和用户对我们方法的喜爱程度,我们对一组患有轻度至中度抑郁症的老年人进行了为期四周的HRI研究。对参与者的口头反应(例如,字数和情感分析)、面部情绪评分和退出调查的定量分析强烈支持基于机器人的iCBT是传统人类治疗的可行替代方案的观点。
2019-09-14 cs.CL cs.RO
NaturalTurn: A Method to Segment Speech into Psychologically Meaningful Conversational Turns
针对会话数据集增长带来的轮次分割挑战,提出NaturalTurn算法,通过区分主次话语提升分割准确性,其生成的轮次特征与实证一致,能揭示语言对齐及轮次转换与情感的隐藏关系,推动会话科学研究。
2025-11-12 cs.CL
Neutral Utterances are Also Causes: Enhancing Conversational Causal Emotion Entailment with Social Commonsense Knowledge
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);University of Chinese Academy of Sciences(中国科学院大学);Tencent Inc(腾讯公司)
会话因果情感蕴涵的目的是从会话中检测出非中性目标话语的因果话语。在这项工作中,我们建立对话图,以克服隐含的上下文建模的原始蕴涵风格。在前面工作的基础上,我们进一步将情感信息引入到图中。情感信息可以显著促进与目标话语情感相同的因果话语的检测。然而,仍然很难检测到不同情绪的因果话语,特别是中性的。原因是模型在推理因果线索和在话语之间传递它们方面受到限制。为了缓解这个问题,我们引入了社会常识知识(CSK)并提出了知识增强对话图(KEC)。KEC在两个话语之间传播CSK。由于并不是所有的CSK都是情感上适合的,因此我们提出了一种情感实现的知识选择策略来过滤CSK。为了处理KEC,我们进一步构建了知识增强有向无环图网络。实验结果表明,我们的方法优于基线,并推断出更多的原因与不同的情绪从目标话语。
2022-05-07 cs.CL
Identifying High-Confidence Social Biases in LLMs for Trustworthy Conversational Tutoring Agents
University of Hawaii at Manoa(夏威夷大学马诺亚分校)
本研究通过生成对话数据集,评估大型语言模型在辅导场景中检测社会偏见的能力,发现模型在对话上下文中比基准测试更难检测偏见,且对错误判断过度自信,影响推理和反馈。
2026-06-01 cs.AI cs.CL
BiasAsker: Measuring the Bias in Conversational AI System
The Chinese University of Hong Kong(香港中文大学);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳))
本文提出自动化框架BiasAsker,通过构建包含841个社会群体和8,110个偏见属性的数据集自动生成问题,利用基于存在性测量的方法识别对话式AI系统中的绝对偏见与相关偏见,实验证实32.83%的问题能触发偏见行为。
2023-05-21 cs.AI cs.CL
MT2-CSD: A New Dataset and Multi-Semantic Knowledge Fusion Method for Conversational Stance Detection
College of Big Data and Internet, Shenzhen Technology University(大数据与互联网学院,深圳技术大学);University of Washington(华盛顿大学);University of Science and Technology of China(中国科学技术大学)
本文提出最大规模多目标多轮对话立场检测数据集MT2-CSD,并设计大语言模型增强的对话关系注意力网络LLM-CRAN,实验证明其显著优于强基线模型。
2025-07-04 cs.CL
Thanos: Enhancing Conversational Agents with Skill-of-Mind-Infused Large Language Model
School of Computing, KAIST(韩国科学技术院计算机学院);KT Corporation(KT集团)
本文提出心智技能数据集及Thanos模型系列,通过注入多面对话技能,显著提升LLM对话代理的回应质量与亲社会行为。
2024-11-07 cs.CL
M2D: Monolog to Dialog Generation for Conversational Story Telling
University of California, Santa Cruz(加州大学圣克鲁兹分校)
讲故事有许多不同的社会功能,例如,故事被用来说服,分享烦恼,建立共同的价值观,学习社会行为和娱乐。此外,故事通常是通过对话来讲述的,以前的工作表明,对话提供的信息比独白提供的信息更吸引人。在本文中,我们提出的算法转换成一个对话的讲故事,可以不同的方面讲故事,包括讲故事的人的个性的一个深表示。我们进行了几个实验,以测试对话式讲故事是否更吸引人,以及是否可以在扩展的讲故事对话中识别出与个性差异相对应的语言形式的自动生成的变体。
2017-08-24 cs.CL
BERT-based Ensembles for Modeling Disclosure and Support in Conversational Social Media Text
Netaji Subhas Institute of Technology(内塔吉·苏巴斯理工学院);International Institute of Information Technology, Hyderabad(海得拉巴国际信息技术学院)
人们越来越有兴趣了解人类如何发起和进行对话。会话的情感理解关注的是说话者如何利用情感对情景和彼此做出反应的问题。在CL-Aff共享任务中,组织者发布了Get it #OffMyChest数据集,其中包含来自休闲和忏悔对话的Reddit评论,标记为披露和保密特征。在本文中,我们介绍了一个预测集成模型,利用微调的上下文词嵌入,罗伯特和阿尔伯特。我们表明,我们的模型在所有考虑的指标优于基础模型,实现了$3\%$的F1分数的改善。我们进一步进行统计分析,并概述对给定数据集的更深入见解,同时为数据集提供新的影响特征。
2020-06-01 cs.CL cs.SI
Emora: An Inquisitive Social Chatbot Who Cares For You
Emory University(埃默里大学)
受人与人之间对话中经验分享的研究启发,埃默里大学开发的社交聊天机器人Emora旨在将这种以经验为中心的交互带入当前的对话人工智能领域。信息共享主题处理程序的传统方法与Emora提供的以观点为导向的交流相平衡,并开发了新的对话能力,支持由合作理解和学习伙伴生活经验的过程组成的对话。我们提出了一个策划的对话系统,利用高度表达的自然语言模板,强大的意图分类,和本体资源,提供一个引人入胜的和有趣的对话体验,每个用户。
2020-09-10 cs.AI cs.CL
Gunrock 2.0: A User Adaptive Social Conversational System
University of California, Davis(加州大学戴维斯分校)
Gunrock 2.0建立在Gunrock之上,强调用户适应性。Gunrock 2.0结合了各种神经自然语言理解模块,包括命名实体检测,链接和对话行为预测,以提高用户的理解能力。它的对话框管理是一个分层模型,可以处理各种主题,如电影、音乐和体育。系统级对话管理器可以处理问题检测、确认、错误处理和其他功能,使下游模块更容易设计和实现。对话管理器还调整其主题选择以适应不同用户的配置文件信息,例如推断的性别和个性。生成模型是模板和神经生成模型的混合。Gunrock 2.0在5月29日至6月4日的最新版本中能够达到3.73的平均评级。
2020-11-30 cs.AI cs.CL
CharacterChat: Learning towards Conversational AI with Personalized Social Support
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学高瓴人工智能学院);Wangxuan Institute of Computer Technology, Peking University(北京大学王选计算机技术研究所);University of Electronic Science and Technology of China(电子科技大学)
针对传统情感支持对话难以适配多样化个体性格的问题,研究提出S2Conv框架,构建MBTI-1024虚拟角色库与MBTI-S2Conv数据集,开发出含性格记忆驱动对话模型和人际匹配插件的CharacterChat系统,可提供个性化社会支持且效果显著。
2023-08-20 cs.CL
Rumor Detection on Social Media: Datasets, Methods and Opportunities
Alibaba Group(阿里巴巴集团)
社交媒体平台已被用于信息和新闻收集,它们在许多应用中非常有价值。然而,这也导致了谣言和假新闻的传播。已经采取了许多努力来通过使用机器学习技术分析社交媒体上的谣言的内容和社交背景来检测和揭穿谣言。本文综述了谣言检测领域的最新研究进展。它提供了一个用于谣言检测的数据集的全面列表,并根据他们利用的信息类型和他们采取的方法回顾了重要的研究。更重要的是,我们还为未来的研究提出了几个新的方向。
2019-11-17 cs.CL cs.CY cs.IR
Real-world Conversational AI for Hotel Bookings
在本文中,我们提出了一个真实世界的对话AI系统,通过短信搜索和预订酒店。我们的架构由基于框架的对话管理系统组成,该系统调用机器学习模型来执行意图分类、命名实体识别和信息检索子任务。我们的聊天机器人已经在商业规模上部署,每天处理数万次酒店搜索。我们描述了在旅游行业开发聊天机器人的各种机遇和挑战。
2019-08-27 cs.CL cs.LG stat.ML
Exploring the Potential of Conversational AI Support for Agent-Based Social Simulation Model Design
University of Nottingham(诺丁汉大学)
本研究探索利用对话式AI系统(如ChatGPT)辅助基于智能体的社会仿真模型设计,通过提示工程和工程化框架,在短时间内生成概念模型,并验证了其可行性与实用性。
2025-10-07 cs.AI cs.CL cs.HC
The Three Social Dimensions of Chatbot Technology
Newcastle University(纽卡斯尔大学)
本文提出从科学研究对象、商业工具和亲密互动代理三个社会维度审视聊天机器人技术,以理解其社会嵌入性及对人类经验的影响。
2024-12-16 cs.AI cs.CL cs.CY
Cross-Linguistic Offensive Language Detection: BERT-Based Analysis of Bengali, Assamese, & Bodo Conversational Hateful Content from Social Media
LUT University(拉彭兰塔理工大学);University of Oulu(奥卢大学);University of Helsinki(赫尔辛基大学)
针对社交媒体多语言仇恨言论检测问题,研究基于多种BERT模型开展HASOC-2023任务4的孟加拉语、阿萨姆语、博多语仇恨内容检测,发现XML-Roberta-large多数场景优于单语模型,团队在对应赛道取得第三、第五名的成绩。
2023-12-16 cs.CL cs.LG
Did they answer? Subjective acts and intents in conversational discourse
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
话语信号通常是隐含的,留给口译员去做出必要的推断。与此同时,话语是嵌入在一个社会背景下,这意味着口译员应用自己的假设和信念时,解决这些推论,导致多种,有效的解释。然而,目前的话语数据和框架忽略了社会方面,只期望一个单一的地面真理。我们提出了第一个话语数据集与英语会话的形式感知会话行为和意图的多重和主观的解释。我们仔细分析了我们的数据集,并创建了计算模型,以(1)证实我们的假设,即考虑到口译员的偏见会导致对口译的更好预测,(2)并显示分歧是微妙的,需要对不同的上下文因素有更深入的理解。我们在http://github.com/elisaF/subjective_discourse上分享我们的数据集和代码。
2021-04-09 cs.CL
What Does the Bot Say? Opportunities and Risks of Large Language Models in Social Media Bot Detection
University of Washington(华盛顿大学);Xi’an Jiaotong University(西安交通大学);University of Notre Dame(圣母大学)
本文研究大语言模型在社交机器人检测中的双重作用:提出异构专家混合框架构建高性能LLM检测器,同时揭示LLM引导的信息操纵可显著削弱现有检测系统。
2024-07-04 cs.CL
Graphically Speaking: Unmasking Abuse in Social Media with Conversation Insights
INRIA(法国国家信息与自动化研究所);Sciences Po(巴黎政治学院);Télécom Paris(巴黎电信学院)
提出利用图神经网络将社交媒体对话建模为图以捕获上下文,系统研究图表示与上下文窗口配置,显著提升滥用语言检测的F1分数。
2025-04-02 cs.AI cs.CL cs.LG
CharacterGLM: Customizing Chinese Conversational AI Characters with Large Language Models
Tsinghua University(清华大学);Lingxin AI(灵心人工智能);Zhipu AI(智谱人工智能);Renmin University of China(中国人民大学)
本文提出CharacterGLM系列模型,基于ChatGLM构建,通过配置角色属性与行为实现中文对话AI角色定制,在一致性、类人性和参与度上超越GPT等主流闭源模型,并开源6B版本及部分训练数据。
2023-11-28 cs.AI cs.CL
Human-AI Coevolution Dynamics: A Formal Theory of Social Intelligence Emergence Through Long-Term Interaction
School of Information and Electronics, Beijing Institute of Technology(信息与电子学院,北京理工大学);Institute of Scientific and Technical Research on Archives, Beijing(档案科学与技术研究所,北京);China Electronics Engineering Design Institute Co., Ltd.(中国电子工程设计院有限公司)
提出人机协同演化动力学框架(HACD-H),将情感适应、关系组织、社会记忆和人格一致性整合为统一动力学模型,通过约14,700轮对话数据集验证,发现社会智能与社会认知能量显著负相关,揭示社会智能源于长期协同演化。
2026-06-18 cs.AI cs.CL
A Challenge Dataset and Effective Models for Conversational Stance Detection
Shenzhen University(深圳大学);Shenzhen Technology University(深圳技术大学);Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院);Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳))
本文提出多轮对话立场检测数据集MT-CSD及全局-局部注意力网络GLAN,解决多方讨论建模难题,最先进方法准确率仅50.47%,凸显挑战并促进跨领域研究。
2024-03-21 cs.CL
"How Was Your Weekend?" A Generative Model of Phatic Conversation
Principles of Expressive Machines Lab(表达机器原理实验室);Department of Computer Science(计算机科学系);North Carolina State University(北卡罗来纳州立大学)
潜规则,如那些决定选择适当的讨论话题和何时改变讨论话题的规则,指导着会话行为。我们提出了一个计算模型的对话,可以遵循或打破这样的规则,与参与者代理相应地作出反应。此外,我们展示了该模型的应用:实验社会导师(EST),第一步的社会技能培训工具,产生人类可读的对话和对话中的每一点的指导方针。最后,我们讨论了一个试点研究评估EST的设计和结果。结果表明,我们的模型能够产生遵循社会规范的对话。
2018-02-13 cs.AI cs.CL
Should agentic conversational AI change how we think about ethics? Characterising an interactional ethics centred on respect
Google Research(谷歌研究院);University of Oxford(牛津大学);Stellenbosch University(斯泰伦博斯大学)
针对现有LLM对话智能体伦理研究仅关注语义层面HHH准则的不足,提出以关系和情境因素为核心的互动伦理,探讨系统作为社会参与者的尊重内涵,预判互动风险并给出实用建议。
2024-05-16 cs.AI cs.CL cs.HC
Advances and Challenges in Conversational Recommender Systems: A Survey
University of Science and Technology of China(中国科学技术大学);National University of Singapore(新加坡国立大学);University of Amsterdam(阿姆斯特丹大学);Ahold Delhaize(阿霍德德尔海兹)
推荐系统利用交互历史来估计用户偏好,在广泛的行业应用中得到了大量的应用。然而,静态推荐模型很难回答两个重要的问题,由于固有的缺点:(a)用户到底喜欢什么?(b)为什么用户会喜欢某个项目?缺点是由于静态模型学习用户偏好的方式,即,没有明确的指示和来自用户的积极反馈。最近兴起的会话式推荐系统(CRS)从根本上改变了这种情况。在CRS中,用户和系统可以通过自然语言交互进行动态通信,这为明确获得用户的确切偏好提供了前所未有的机会。在开发CRS方面,已经投入了相当大的努力,这些努力分布在不同的环境和应用程序中。现有的CRS模型、技术和评估方法还远未成熟。在本文中,我们提供了一个系统的审查,在当前CRS中使用的技术。我们总结了开发CRS的五个方向的关键挑战:(1)基于XML的用户偏好获取。(2)多轮会话推荐策略。(3)对话理解与生成。(4)开发-勘探权衡。(5)评估和用户模拟。这些研究方向涉及信息检索(IR)、自然语言处理(NLP)和人机交互(HCI)等多个研究领域。基于这些研究方向,我们讨论了一些未来的挑战和机遇。我们为来自多个社区的研究人员提供了一个路线图,以开始在这一领域。我们希望这项调查可以帮助识别和解决CRS的挑战,并启发未来的研究。
2021-09-24 cs.CL cs.IR
Multimodal Multi-turn Conversation Stance Detection: A Challenge Dataset and Effective Model
Shenzhen Technology University(深圳技术大学);Peking University(北京大学)
针对现有多模态立场检测忽略多方对话语境的问题,本文提出多模态多轮对话立场检测数据集MmMtCSD及多模态大语言模型框架MLLM-SD,通过联合学习文本与视觉表示实现最先进的立场检测性能。
2024-09-01 cs.CL cs.MM
Understanding Public Perceptions of AI Conversational Agents: A Cross-Cultural Analysis
National University of Singapore(新加坡国立大学);The Hong Kong Baptist University(香港浸会大学)
本研究通过分析约一百万条社交媒体讨论,比较中美公众对对话代理的认知差异,发现中国用户更偏享乐且情绪积极,美国用户更重功能且态度矛盾,温暖感知是两国积极情绪的共同关键驱动因素。
2024-02-25 cs.CL cs.HC
CORAL: Benchmarking Multi-turn Conversational Retrieval-Augmentation Generation
Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学高瓴人工智能学院);Beijing Academy of Artificial Intelligence(北京人工智能研究院);Huawei Poisson Lab(华为泊松实验室);Waseda University(早稻田大学)
针对现有RAG研究多聚焦单轮场景、难以适配真实多轮对话的问题,本研究推出大规模基准CORAL,覆盖多类对话与三项核心任务,并提出统一框架评估现有方法,指明改进方向。
2024-10-30 cs.CL cs.IR
Persian Slang Text Conversion to Formal and Deep Learning of Persian Short Texts on Social Media for Sentiment Classification
Tarbiat Modares University(塔比阿特莫达雷斯大学)
本文提出波斯语俚语转换工具 PSC,将社交媒体会话文本转为正式文本,并结合 FastText 与深度 LSTM 对短文本进行情感分类,在 Instagram 评论数据上取得 81.91% 准确率。
2024-09-03 cs.CL cs.LG
Alexa, Let's Work Together: Introducing the First Alexa Prize TaskBot Challenge on Conversational Task Assistance
自2016年成立以来,Alexa Prize计划已使数百名大学生能够通过SocialBot Grand Challenge探索和竞争开发会话代理。该挑战的目标是构建能够与人类就热门话题进行连贯和友好对话的智能体,同时达到至少4.0/5.0的平均评分。然而,随着会话代理试图帮助用户完成越来越复杂的任务,需要新的会话人工智能技术和评估平台。Alexa Prize TaskBot挑战赛成立于2021年,以SocialBot挑战赛的成功为基础,引入了交互式协助人类完成真实世界烹饪和自己动手任务的要求,同时利用语音和视觉模式。这一挑战要求任务机器人识别和理解用户的需求,识别任务和领域知识并将其整合到交互中,并开发新的方式来吸引用户,而不会分散他们对手头任务的注意力。本文概述了TaskBot挑战,描述了CoBot工具包为团队提供的基础设施支持,并总结了参与团队克服研究挑战的方法。最后,它分析了竞争任务机器人在第一年的比赛中的表现。
2022-09-13 cs.AI cs.CL cs.HC