Conversation Kernels: A Flexible Mechanism to Learn Relevant Context for Online Conversation Understanding
University of Surrey(萨里大学)
本文提出对话核机制,通过探索对话树中帖子的邻域来学习相关上下文,应用于slashdot.org的多标签对话数据,以灵活适应不同的对话理解任务。
2025-05-26 cs.AI cs.CL
Conversations Gone Alright: Quantifying and Predicting Prosocial Outcomes in Online Conversations
Carnegie Mellon University(卡内基梅隆大学);The Hong Kong University of Science and Technology(香港科技大学);University of Michigan(密歇根大学);University of Illinois, Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
在线对话可以有很多方向:有些是因为反社会行为而变得不好,而另一些则是对所有人都有利的。改善在线空间的研究主要集中在检测和减少反社会行为。然而,我们对在线对话的积极结果以及如何增加积极结果知之甚少亲社会结果仅仅是缺乏反社会行为还是更多?在这里,我们研究如何会话功能导致亲社会的结果在网上讨论。我们引入了一系列新的理论启发的指标来定义亲社会的结果,如指导和自尊增强。使用2600万Reddit对话的语料库,我们表明这些结果可以从在线对话的初始评论中预测,最佳模型在对预测结果进行排名时,比人类预测性能提高了24%。我们的研究结果表明,平台可以在早期对话的算法排名中使用这些早期线索,以优先考虑更好的结果。
2021-02-16 cs.CL cs.CY cs.SI
Trouble on the Horizon: Forecasting the Derailment of Online Conversations as they Develop
Cornell University(康奈尔大学)
在线讨论往往会导致参与者之间的有害交流。最近的努力主要集中在事后检测反社会行为,通过孤立地分析单个评论。为了向人类版主提供更及时的通知,系统需要在对话实际上变得有毒之前先发制人地检测到对话正在脱轨。这意味着将出轨建模为对话的新兴属性,而不是孤立的话语级事件。然而,预测新兴的会话属性,提出了一些固有的建模挑战。首先,由于对话是动态的,预测模型需要捕捉讨论的流程,而不是单个评论的属性。其次,真实的对话具有未知的范围:它们可以随时结束或脱轨;因此,随着对话的发展,实用的预测模型需要以在线方式评估风险。在这项工作中,我们引入了一个会话预测模型,学习会话动态的无监督表示,并利用它来预测未来的出轨会话的发展。通过将该模型应用于两个新的不同的带有反社会事件标签的在线对话数据集,我们表明它在预测出轨方面优于最先进的系统。
2019-09-03 cs.AI cs.CL cs.CY
The Effect of Moderation on Online Mental Health Conversations
University of Washington(华盛顿大学)
由于高昂的费用和心理健康专业人员的短缺,许多与心理健康问题作斗争的人无法获得足够的护理,导致全球心理健康危机。在线心理健康社区可以通过提供可扩展的,易于访问的替代治疗师或支持团体的面对面会议来帮助缓解这一危机。然而,在网上寻求情感或心理支持的人可能特别容易受到在线讨论中有时发生的反社会行为的影响。适度可以提高在线话语质量,但我们对其对在线心理健康对话的影响缺乏了解。在这项工作中,我们利用了一个自然实验,从7,000个在线心理健康对话中收集了20万条信息,以评估适度对在线心理健康讨论的影响。我们发现,参与小组心理健康讨论导致心理观点的改善,这些改善在有节制的谈话中更大。主持人的存在增加了用户的参与度,鼓励用户更坦率地讨论负面情绪,并大大减少了聊天参与者之间的不良行为。适度还鼓励加强语言协调,这表明建立了信任。此外,在谈话中保持活跃的主持人在保持谈话主题方面特别成功。我们的研究结果表明,适度可以作为一个有价值的工具,以提高在线心理健康对话的有效性和安全性。基于这些发现,我们讨论了设计有效的心理健康支持在线空间的影响和权衡。
2021-04-22 cs.CL cs.CY cs.SI
I Beg to Differ: A study of constructive disagreement in online conversations
University of Cambridge(剑桥大学)
分歧在人类交流中无处不在。在本文中,我们将探讨是什么使分歧具有建设性。为此,我们构建WikiDisputes,语料库的7 425维基百科讨论页的对话,包含内容争议,并定义预测是否分歧将升级到调解的任务由主持人。我们评估了基于特征的模型与语言标记从以前的工作,并证明他们的性能得到改善,通过使用功能,捕捉语言标记的变化,在整个对话中,而不是平均值。我们开发了各种神经模型,并表明考虑到对话的结构提高了预测准确性,超过了基于特征的模型。我们通过评估其仅暴露于对话开始时的行为来评估我们最好的神经模型的预测准确性和不确定性,发现随着模型暴露于更多信息,模型准确性提高,不确定性降低。
2021-01-26 cs.AI cs.CL
Online Conversation Disentanglement with Pointer Networks
Nanyang Technological University, Singapore(南洋理工大学,新加坡);Salesforce Research(Salesforce研究(或“Salesforce研究所”,根据常见译法))
每天都有大量的文本对话发生在网上,多个对话同时发生。交错的对话不仅导致难以跟踪正在进行的讨论,而且还从同步消息中提取相关信息。会话分离的目的是将混杂的消息分离成分离的会话。然而,现有的解纠缠方法主要依赖于特定于数据集的手工特征,这阻碍了泛化和适应性。在这项工作中,我们提出了一个端到端的在线框架,以避免耗时的特定领域的功能工程的对话解开。我们设计了一种新的方式来嵌入整个话语,包括时间戳,扬声器,和消息文本,并提出了一个自定义的注意力机制,模型解纠缠作为一个指向问题,同时有效地捕捉话语间的交互在一个端到端的方式。我们还引入了一个联合学习的目标,以更好地捕捉上下文信息。我们在Ubuntu IRC数据集上的实验表明,我们的方法在链接和会话预测任务中都达到了最先进的性能。
2020-10-21 cs.CL
WikiConv: A Corpus of the Complete Conversational History of a Large Online Collaborative Community
Cornell Tech(康奈尔理工学院);Cornell University(康奈尔大学);Wikimedia Foundation(维基媒体基金会);Jigsaw, Google(谷歌Jigsaw部门)
我们提出了一个语料库,包括贡献者之间的对话维基百科,最大的在线协作社区之一的完整历史。通过记录对话的中间状态-不仅包括评论和回复,还包括它们的修改,删除和删除-这些数据提供了一个前所未有的在线对话视图。这种详细程度支持与大规模在线协作的过程(和挑战)有关的新研究问题。我们用两个案例研究来说明语料库的潜力,这些案例研究突出了对早期工作的新观点。首先,我们探讨一个人的会话行为如何取决于他们如何与讨论的地点。其次,我们表明,社区节制有毒行为发生的速度比以前估计的要高。最后,重建框架被设计为语言无关的,我们表明,它可以提取高质量的会话数据在中文和英文。
2018-10-31 cs.CL
Adaptation of fictional and online conversations to communication media
National Institute of Physics, University of the Philippines Diliman(菲律宾大学迪利曼分校国家物理研究所)
对话允许短信息的快速传输,并且可以合理地预期通信媒介的变化会影响我们的对话方式。在小说作品和在线社交网络平台中使用对话,我们表明,对话的话语长度随着时间的推移慢慢缩短,但更强烈地适应通信介质的约束。这表明,任何新的交流媒介的引入都可能影响自然语言的进化方式。
2013-01-08 cs.CL physics.data-an physics.soc-ph
The Role of Conversation Context for Sarcasm Detection in Online Interactions
Rutgers University(罗格斯大学);Columbia University(哥伦比亚大学)
用于讽刺检测的计算模型通常依赖于孤立的话语内容。然而,如果没有额外的语境,说话人的讽刺意图并不总是显而易见的。聚焦于社交媒体讨论,我们研究两个问题:(1)会话上下文的建模是否有助于讽刺检测和(2)我们是否可以理解会话上下文的哪一部分触发了讽刺回复。为了解决第一个问题,我们研究了几种类型的长短期记忆(LSTM)网络,它们可以对会话上下文和讽刺反应进行建模。我们证明了条件LSTM网络(Rocktaschel等人,2015),并且对上下文和响应具有句子级别注意力的LSTM网络优于仅读取响应的LSTM模型。为了解决第二个问题,我们对LSTM模型产生的注意力权重进行了定性分析,并将结果与人类在任务上的表现进行了比较。
2017-07-19 cs.AI cs.CL cs.LG
Joint Effects of Context and User History for Predicting Online Conversation Re-entries
The Chinese University of Hong Kong(香港中文大学);MoE Key Laboratory of High Confidence Software Technologies(教育部高可信软件技术重点实验室);Tencent AI Lab(腾讯人工智能实验室);Northeastern University(东北大学)
随着网络世界继续呈指数级增长,人际沟通在意见形成和变化中发挥着越来越重要的作用。为了帮助用户更好地在线互动,我们研究了一个具有挑战性的问题,即用户是否会回到他们曾经参与过的对话中。我们假设正在进行的对话的上下文和用户以前的聊天历史将影响他们在未来参与的持续兴趣。具体来说,我们提出了一个神经框架,有三个主要层,每个建模上下文,用户历史,以及它们之间的交互,以探索对话上下文和用户聊天历史如何共同导致他们的重新进入行为。我们使用从Twitter和Reddit收集的两个大规模数据集进行实验。结果表明,我们提出的具有双注意力的框架在Twitter对话中的F1得分为61.1,优于以前工作中最先进的方法。
2019-06-04 cs.CL
Continuity of Topic, Interaction, and Query: Learning to Quote in Online Conversations
The Chinese University of Hong Kong(香港中文大学);The Hong Kong Polytechnic University(香港理工大学);Tencent AI Lab(腾讯AI实验室)
在人际交往中,引语是成功解释和说服的关键。然而,在对话中找到要引用的内容对人类和机器来说都是一个挑战。本文研究了在线会话中引语的自动生成,并探讨了语言一致性如何影响引语是否符合给定的上下文。在这里,我们捕获的上下文一致性的报价方面的潜在主题,与对话历史的互动,和连贯性的查询转的现有内容。此外,采用编码器-解码器神经框架来通过语言生成用引用来继续上下文。在中英文两个大规模数据集上的实验结果表明,该模型的性能优于现有的模型。进一步的分析表明,主题、交互和查询一致性都有助于学习如何在在线对话中引用。
2021-06-18 cs.CL
Predicting Different Types of Subtle Toxicity in Unhealthy Online Conversations
University of Florida(佛罗里达大学)
本文研究了使用机器学习模型对包含一种或多种形式的微妙虐待(如敌意、讽刺和概括)的不健康在线对话进行分类。我们利用了一个包含44 K在线评论的公共数据集,其中包含健康和不健康的评论,这些评论被标记为七种形式的微妙毒性。我们能够区分这些评论,最高微观F1评分、宏观F1评分和ROC-AUC分别为88.76%、67.98%和0.71。恶意评论比其他类型的不健康评论更容易被发现。我们还进行了情感分析,结果显示,大多数类型的不健康评论都与轻微的负面情绪有关,其中敌意评论是最负面的评论。
2021-06-07 cs.CL
Towards Facilitating Empathic Conversations in Online Mental Health Support: A Reinforcement Learning Approach
University of Washington(华盛顿大学);Stanford University(斯坦福大学)
在线点对点支持平台使数百万寻求和提供心理健康支持的人能够进行对话。如果成功,基于网络的心理健康对话可以改善获得治疗的机会,减少全球疾病负担。心理学家一再证明,同理心,理解和感受他人情绪和经历的能力,是在支持性对话中取得积极成果的关键组成部分。然而,最近的研究表明,在在线心理健康平台上,高度移情的对话很少见。在本文中,我们致力于改善在线心理健康支持对话中的同理心。我们引入了一个新的移情重写任务,旨在将低移情会话帖子转换为更高的移情。学习这种转换是具有挑战性的,需要深刻理解移情,同时通过文本流畅性和会话背景的特异性来保持会话质量。在这里,我们提出了PARTNER,一个深度强化学习代理,它学会对帖子进行编辑级别的编辑,以便在保持对话质量的同时提高同理心的表达水平。我们的RL代理利用一个策略网络,基于一个Transformer语言模型改编自GPT-2,它执行的双重任务,生成候选移情句子,并添加这些句子在适当的位置。在培训过程中,我们奖励那些在保持文本流畅性、上下文特异性和多样性的同时增加帖子中的同理心的转换。通过自动和人工评估的结合,我们证明了PARTNER成功地产生了更多的移情,具体和多样化的反应,并在风格转换和移情对话生成等相关任务中优于NLP方法。我们的工作对促进基于网络的平台上的共情对话有直接的影响。
2021-05-16 cs.CL cs.SI
Customized Nonlinear Bandits for Online Response Selection in Neural Conversation Models
Carnegie Mellon University(卡内基梅隆大学)
对话响应选择是会话代理中自然响应生成的重要一步。神经会话模型的现有工作主要集中在离线监督学习使用一个大的上下文响应对集。在本文中,我们专注于在线学习的反应选择检索为基础的对话系统。我们提出了一个上下文的多臂强盗模型与非线性奖励函数,使用分布式表示的文本在线响应选择。双向LSTM用于生成对话上下文和响应的分布式表示,这些表示用作上下文强盗的输入。在学习强盗,我们提出了一个定制的汤普森采样方法,适用于一个多项式特征空间近似的奖励。在Ubuntu对话语料库上的实验结果表明,该方法比传统的线性上下文强盗有显着的性能增益。此外,我们报告了令人鼓舞的响应选择性能的建议神经强盗模型使用召回@k度量的一小部分在线训练样本。
2017-11-22 cs.CL
Exploring Linguistic Style Matching in Online Communities: The Role of Social Context and Conversation Dynamics
University of Michigan(密歇根大学)
本研究针对Reddit在线社区,基于功能词与正式度两类风格分析大规模双方对话语料,考察多种社会因素下语言风格匹配(LSM)的水平差异及用户被封禁后LSM的变化,揭示其与社区指标的关联及对理解社区动态的价值。
2023-08-26 cs.CL
Conversational Structure Aware and Context Sensitive Topic Model for Online Discussions
Case Western Reserve University(凯斯西储大学)
每天在社交媒体平台上产生数百万次在线讨论。主题建模是更好地理解大规模文本数据集的有效方法。传统的主题模型在在线讨论中取得了有限的成功,为了克服它们的局限性,我们使用讨论线程的树结构,并提出了一个“流行度”的度量来量化评论的回复数量,以扩展单词出现的频率,和“传递性”的概念来表征嵌套的讨论线程中节点之间的主题依赖性。我们建立了一个会话结构感知的主题模型(CSATM)的基础上流行度和传递性推断的主题和他们的评论分配。真实论坛数据集上的实验被用来证明提高性能的主题提取与六个不同的测量的一致性和令人印象深刻的准确性主题分配。
2020-02-06 cs.CL
Linguistic Characterization of Divisive Topics Online: Case Studies on Contentiousness in Abortion, Climate Change, and Gun Control
Georgia Institute of Technology(佐治亚理工学院);Georgetown University(乔治城大学)
随着公共话语继续在网上移动和增长,社交媒体平台上关于分裂话题的对话也有所增加。这些分裂的话题引发了有争议和无争议的对话。虽然这些对话的区别,通常被认为是使这些对话有争议的原因,是众所周知的,但对这些对话的语言特征知之甚少。先前的研究表明,有争议的内容和结构可以预测这个任务,然而,他们中的大多数人都集中在一般的对话,非常具体的事件,或复杂的结构分析。此外,在以前的工作中使用的许多模型缺乏解释能力,这是在线审核的一个关键因素。我们的工作填补了这些空白,专注于高度分裂的话题(堕胎,气候变化和枪支管制)的对话,操作一套新颖的语言和会话特征和用户因素,并将它们纳入构建可解释的模型。我们证明,这些特征可以在很大程度上提高预测性能的这项任务,也使微妙的可解释性。我们对这三个有争议的话题的案例研究表明,某些通用语言特征与会话中的争议性高度相关,而其他语言特征则对特定的分裂性话题产生重大的语境影响。
2022-04-05 cs.CL cs.SI
ARQUSUMM: Argument-aware Quantitative Summarization of Online Conversations
An Quang Tang(独立研究者);Xiuzhen Zhang(独立研究者);Minh Ngoc Dinh(独立研究者);Zhuang Li(独立研究者)
ARQUSUMM通过基于论证理论的LLM少样本学习和论证结构意识聚类算法,实现对在线对话中论点主张-理由结构的定量摘要,提升摘要的文本质量和量化准确性。
2025-11-21 cs.CL
OnCoCo 1.0: A Public Dataset for Fine-Grained Message Classification in Online Counseling Conversations
本文提出OnCoCo 1.0数据集,用于细粒度在线心理咨询对话信息分类。该数据集包含38种咨询师和28种来访者类型,展示了多种模型的微调结果,为语言资源社区提供了新的细粒度对话资源。
2026-03-29 cs.CL cs.LG
WAC: A Corpus of Wikipedia Conversations for Online Abuse Detection
Avignon Université(阿维尼翁大学)
随着在线社交网络的普及,监控所有用户生成的内容变得越来越困难。因此,自动化互联网上不适当的交流内容的审核过程已成为一项优先任务。已经为此目的提出了方法,但是找到合适的数据集来训练和开发它们可能具有挑战性。这个问题是特别真实的方法的基础上从结构和动态的对话中得到的信息。在这项工作中,我们提出了一个原始的框架,维基百科评论语料库的基础上,评论级滥用注释的不同类型。主要的贡献涉及重建的对话,通过比较现有的语料库,它只关注孤立的消息(即采取了他们的会话上下文)。这个超过380k注释消息的大型语料库为在线滥用检测,特别是基于上下文的方法开辟了前景。我们还建议,除了这个语料库,一个完整的基准平台,以刺激和公平地比较科学作品的内容滥用检测的问题,试图避免重复出现的问题的结果复制。最后,我们将两种分类方法应用于我们的数据集,以展示其潜力。
2020-03-13 cs.CL
Detect Toxic Content to Improve Online Conversations
University of Ottawa(渥太华大学);School of Electrical Engineering and Computer Science (EECS)(电气工程与计算机科学学院)
社交媒体充斥着有毒的内容。本文的目的是建立一个模型,可以检测虚假的问题。我们使用“Quora不真诚问题分类”数据集进行分析。该数据集由真诚和不真诚的问题组成,其中大多数是真诚的问题。使用Python及其库(如sklearn,numpy,pandas,keras等)处理和分析数据集。使用GloVe,Wiki-news和TF-IDF等词嵌入将数据集转换为矢量形式。数据集中的不平衡是通过恢复技术来处理的。我们对各种机器学习和深度学习模型进行训练和比较,以得出最佳结果。讨论的模型包括SVM,Naive Bayes,GRU和LSTM。
2019-10-29 cs.AI cs.CL cs.LG
Conversations Gone Awry: Detecting Early Signs of Conversational Failure
Cornell University(康奈尔大学);Jigsaw(吉格索);Wikimedia Foundation(维基媒体基金会)
在线社交系统面临的主要挑战之一是反社会行为的流行,如骚扰和人身攻击。在这项工作中,我们介绍了从一开始就预测对话是否会失控的任务。与事后检测不良行为相反,该任务旨在在对话仍可能被挽救时实现早期可操作的预测。为此,我们开发了一个框架,捕捉语用手段-如礼貌策略和修辞提示-用于启动会话,并分析它们与其未来的轨迹。在受控环境中应用这个框架,我们证明了在在线讨论中检测反社会行为早期预警信号的可行性。
2018-05-14 cs.AI cs.CL cs.CY
The Branch Not Taken: Predicting Branching in Online Conversations
本文定义了在线对话中的分支预测任务,提出深度神经网络模型GLOBS,利用结构、时间和语言特征预测对话分支,在Reddit数据集上显著优于基线模型并具良好可迁移性。
2024-04-21 cs.CL cs.LG
Detecting Community Sensitive Norm Violations in Online Conversations
University of Michigan(密歇根大学);Paul G. Allen School of Computer Science & Engineering, University of Washington(华盛顿大学保罗·G·艾伦计算机科学与工程学院);Language Technologies Institute Carnegie Mellon University(卡内基梅隆大学语言技术研究所)
在线平台和社区建立自己的规范,管理社区内可接受的行为。NLP的大量工作集中在识别不可接受的行为,最近,在它们发生之前预测它们。然而,这些努力主要集中在毒性作为违反社区规范的唯一形式。这种关注忽视了版主执行的更大的规则集。在这里,我们引入了一个新的数据集,重点关注本地对话和全球社区背景下更完整的社区规范及其违规行为。我们介绍了一系列模型,使用这些数据来开发上下文和社区敏感的规范违反检测,这些变化提供了高性能。
2021-10-09 cs.CL
Find the Conversation Killers: a Predictive Study of Thread-ending Posts
Zhejiang University(浙江大学);University of Michigan(密歇根大学)
如何提高在线社区中的对话质量,最近引起了相当大的关注。参与,礼貌和反应性的在线对话对互联网用户的社交生活有着至关重要的影响。在这项研究中,我们特别感兴趣的是在多方对话中识别一个不太可能被进一步回复的帖子,从而杀死对话的线程。为此,我们提出了一个称为ConverNet的深度学习模型。ConverNet是有吸引力的,因为它的建模能力的内部结构的一个长的对话和适当的编码的上下文信息的对话,通过有效地集成注意力机制。在真实数据集上的实验结果表明了该模型的有效性。对于这个广受关注的话题,我们的分析也为提高在线对话的质量和用户体验提供了启示。
2017-12-22 cs.CL cs.SI
Re-entry Prediction for Online Conversations via Self-Supervised Learning
The Chinese University of Hong Kong(香港中文大学);MoE Key Laboratory of High Confidence Software Technologies(教育部高可信软件技术重点实验室);Microsoft Corporation(微软公司)
近年来,在社交媒体上进行在线讨论和意见分享的全球业务正在蓬勃发展。因此,提出了再入预测任务,以帮助人们跟踪他们希望继续进行的讨论。然而,现有的工作只专注于利用聊天历史和上下文信息,而忽略了潜在的有用的学习信号,会话数据,如会话线程模式和目标用户的重复参与,这有助于更好地了解目标用户在会话中的行为。在本文中,我们提出了三个有趣的和有根据的辅助任务,即,传播模式,重复的目标用户,和转向作者,作为自我监督信号的再入预测。这些辅助任务以多任务的方式与主任务一起训练。在从Twitter和Reddit新收集的两个数据集上的实验结果表明,我们的方法优于之前的最新技术,参数更少,收敛速度更快。大量的实验和分析表明,我们提出的模型的有效性,也指出了一些关键思想,设计自我监督的任务。
2021-09-05 cs.CL
DialogXpert: Driving Intelligent and Emotion-Aware Conversations through Online Value-Based Reinforcement Learning with LLM Priors
School of Information Technology, Monash University Malaysia(墨尔本大学马来西亚分校信息科技学院);Singapore University of Technology and Design(新加坡科技设计大学)
DialogXpert利用冻结LLM生成候选动作,结合紧凑Q网络进行在线价值强化学习,实现情感感知的主动对话,在多个基准中成功率超94%,并显著提升谈判效果。
2025-05-23 cs.AI cs.CL
QiBERT -- Classifying Online Conversations Messages with BERT as a Feature
本文提出 QiBERT,利用 SBERT 嵌入作为监督学习特征,对葡萄牙学校在线辩论中的短文本消息进行是否切题的分类,平均准确率超过 0.95。
2024-09-09 cs.CL
Abusive Language Detection in Online Conversations by Combining Content-and Graph-based Features
Avignon University(阿维尼翁大学)
近年来,在线社交网络允许世界各地的用户见面和讨论。作为这些社区的维护者,这些平台的管理员必须防止用户采取不适当的行为。由于需要检查的消息量不断增加,这种主要由人类完成的验证任务变得越来越困难。已经提出了方法来自动化这个缓和过程,主要是通过提供基于所交换的消息的文本内容的方法。最近的工作还表明,从对话结构中得出的特征,以对话图的形式,可以帮助检测这些滥用信息。在本文中,我们建议利用这两个来源的信息,提出融合方法,整合内容和图形为基础的功能。我们对原始聊天记录的实验表明,消息的内容,以及它们在对话中的动态包含部分互补信息,从而提高了滥用消息分类任务的性能,最终F值为93.26%。
2019-05-20 cs.CL cs.IR cs.SI
Learning Latent Local Conversation Modes for Predicting Community Endorsement in Online Discussions
University of Washington(华盛顿大学)
许多社交媒体平台提供了一种机制,让读者对评论做出积极和消极的反应,总的来说,这可以被认为是社区认可。本文解决了在线讨论中预测社区认可的问题,利用参与者的响应结构和评论的文本。不同类型的特征被集成在神经网络中,该神经网络使用新颖的架构来学习讨论结构的潜在模式,该讨论结构的表现与深度神经网络一样好,但更可解释。此外,潜在模式可用于加权文本特征,从而提高预测精度。
2016-09-28 cs.CL cs.SI
SPOT: An Annotated French Corpus and Benchmark for Detecting Critical Interventions in Online Conversations
SPOT通过标注法语语料库和基准,检测在线对话中的关键干预,验证了监督学习在非英语社交媒体任务中的重要性。
2026-03-09 cs.CL cs.CY
Incongruent Positivity: When Miscalibrated Positivity Undermines Online Supportive Conversations
Computer Science Department, King Saud University, College of Computer and Information Sciences(计算机科学系,沙特王后大学,计算机与信息科学学院)
研究探讨了在高压力情境中,LLM生成的不一致积极性如何导致消极回应,提出通过微调模型和开发多标签分类器来提升支持性对话的质量。
2026-03-17 cs.CL
ConvoSumm: Conversation Summarization Benchmark and Improved Abstractive Summarization with Argument Mining
Yale University(耶鲁大学);Facebook AI(脸书人工智能研究院)
虽然在线对话可以以许多不同的格式覆盖大量的信息,但抽象文本摘要主要集中在仅对新闻文章进行建模。这种研究差距部分是由于缺乏标准化的数据集来总结在线讨论。为了解决这一差距,我们设计了一个问题-观点-断言框架的注释协议,以众包新闻评论,论坛,社区问答论坛和电子邮件线程的各种在线对话形式的四个新的数据集。我们在数据集上对最先进的模型进行基准测试,并分析与数据相关的特征。为了创建一个全面的基准,我们还在广泛使用的会话摘要数据集上评估了这些模型,以在该领域建立强大的基线。此外,我们通过图形构建将参数挖掘直接建模的问题,观点和断言存在于对话和过滤嘈杂的输入,显示比较或改进的结果,根据自动和人工评估。
2021-06-01 cs.CL
How Large Language Models play humans in online conversations: a simulated study of the 2016 US politics on Reddit
Enrico Fermi Research Center(恩里科·费米研究中心);Physics Department and INFN, University of Rome Tor Vergata(罗马托尔维加塔大学物理系和INFN)
本研究评估了GPT-4在2016年美国大选Reddit对话中模拟党派用户生成评论的能力,发现其能产生逼真评论但更易制造共识,且真实与虚构评论在语义空间可区分但人工难辨,揭示了AI操纵政治话语的风险。
2025-06-23 cs.AI cs.CL cs.CY
AI Chat Assistants can Improve Conversations about Divisive Topics
Brigham Young University(杨百翰大学);Duke University(杜克大学);University of Washington(华盛顿大学)
该研究利用大型语言模型在分歧性话题的在线对话中提供实时建议,发现此举能提升对话质量、减少政治分歧并改善语气,且不改变对话内容或政策态度。
2023-10-20 cs.AI cs.CL cs.HC
LLMs Can Infer Political Alignment from Online Conversations
研究展示大语言模型能可靠推断隐藏的政治倾向,优于传统机器学习模型,通过聚合文本推断和使用相关领域提升预测精度,揭示LLM在利用社会文化关联方面的潜力与风险。
2026-03-13 cs.CL cs.CY cs.SI
Gendered Conversation in a Social Game-Streaming Platform
Indiana University(印第安纳大学)
在线社交媒体和游戏正在逐渐取代线下社交活动。社交媒体现在是一种不可或缺的沟通方式;在线游戏不仅是一种真正的社交活动,也是一种受欢迎的观赏性运动。由于支持匿名和更大的受众,在线互动缩小了社会和地理障碍。尽管有这些好处,但性别不平等等社会差距在在线社交媒体中仍然存在。特别是,在线游戏社区因持续的性别差异和客观化而受到批评。随着游戏发展成为社交平台,性别差异的持续存在是一个紧迫的问题。然而,很少有大规模的,系统的研究性别不平等和客观化的社交游戏平台。在这里,我们分析了来自社交游戏流媒体平台Twitch的超过10亿条聊天信息,以研究主播的性别如何与对话的性质相关联。使用计算文本分析方法的组合,我们表明,性别对话和客观化是普遍的聊天。女性主播收到的客观化评论明显更多,而男性主播收到的游戏相关评论更多。这种差异对于流行的流媒体来说更为明显。还有大量用户只在女性或男性流上发帖。采用神经向量空间嵌入(段落向量)方法,我们分析了性别化的聊天消息,并创建了预测模型,(i)根据频道中发布的消息识别主播的性别,(ii)根据聊天消息识别观众喜欢观看的性别。我们的研究结果表明,社交游戏流媒体平台的差异是一种微妙的现象,涉及流媒体的性别以及那些产生性别和游戏相关对话的人。
2016-11-22 cs.CL cs.CY cs.SI
Online Coreference Resolution for Dialogue Processing: Improving Mention-Linking on Real-Time Conversations
Emory University(埃默里大学)
本文提出了一个共指消解的方向,用于在线解码主动生成的输入,如对话,其中模型接受一个话语及其过去的上下文,然后发现在当前话语中提到的,以及他们的参考,在每个对话轮。一个基线和四个增量更新的模型,适用于这个新的设置,其中涉及不同的方面,包括单例,发言人接地编码和跨话轮提及语境化。我们的方法在三个数据集上进行了评估:Friends,OntoNotes和BOLT。结果表明,每个方面都带来了稳定的改善,我们最好的模型超过基线10%,为这种设置提供了一个有效的系统。进一步的分析突出了任务的特点,如解决的重要性提到回忆。
2022-05-21 cs.CL cs.LG
What makes you change your mind? An empirical investigation in online group decision-making conversations
University of Cambridge(剑桥大学);University of Sheffield(谢菲尔德大学)
人们利用小组讨论进行协作,以解决复杂的任务,例如在项目会议或招聘小组中。通过这样做,他们参与了各种各样的对话策略,他们试图说服对方的最佳方法,并最终达成决定。在这项工作中,我们研究的方法来检测是什么让一个人改变主意。为此,我们利用最近引入的数据集,其中包含人们合作解决任务的小组讨论。为了找出是什么让人们改变主意,我们结合了各种技术,如神经文本分类和语言无关的变化点检测。对这些方法的评估表明,虽然任务并不简单,但最好的方法是使用具有学习排名训练的语言感知模型。最后,我们研究的线索,模型开发的指示改变主意的原因。
2022-07-25 cs.CL
Multi-Agent Causal Reasoning for Suicide Ideation Detection Through Online Conversations
The Hong Kong Polytechnic University, Hong Kong, China(香港理工大学)
本文提出多智能体因果推理框架,通过扩展用户互动和减轻隐藏偏见来提高在线对话中自杀念头检测的准确性。
2026-02-27 cs.CL
Context-Aware Classification and Grading of Sensitive Information in Online Conversational Health Data
School of Computing, Macquarie University, Australia(麦考瑞大学计算机学院);Department of Biomedical Engineering, National University of Singapore(新加坡国立大学生物医学工程系);School of Mathematics and Statistics, Shandong University of Technology, China(山东理工大学数学与统计学院);Digital Intelligence Center, Fuzhou University Affiliated Provincial Hospital, China(福州市附属省医院数字智能中心);School of Computer Science and Engineering, UNSW, Australia(新南威尔士大学计算机科学与工程学院)
SALP-CG通过统一标准和自动化方法,实现在线医疗对话数据的分类与敏感性分级,提升健康数据治理效率。
2026-10-01 cs.AI cs.CL
Question-Answer Selection in User to User Marketplace Conversations
Carousell Pte. Ltd.(Carousell私人有限公司)
用户对用户市场中的卖家可能会被潜在买家的问题淹没。答案往往已经在产品说明中提供。我们从在线市场的对话中收集了大约59万个这样的问题和答案。我们提出了一个问答系统,选择一个句子,从产品说明使用神经网络排名模型。我们探索了多种编码策略,使用递归神经网络和前馈注意力层产生了良好的效果。本文提出了一个演示,以交互方式提出买家的问题,并可视化的排名分数的产品描述句子从现场在线列表。
2018-02-06 cs.CL
Dynamic Forecasting of Conversation Derailment
University of Copenhagen(哥本哈根大学)
在线对话有时会变得更糟,这可能是由于系统性的文化差异,意外的误解,或者仅仅是恶意。在公共在线对话中自动预测出轨提供了一个采取早期行动来缓和它的机会。以前在这个领域的工作是有限的,我们在几个方面扩展它。我们将预先训练的语言编码器应用于任务,其性能优于早期方法。我们进一步尝试将任务的训练范式从静态转变为动态,以增加预测范围。这种方法显示了混合的结果:在高质量的数据设置中,可以以F1的小幅下降为代价实现更长的平均预测范围;然而,在低质量的数据设置中,动态训练传播噪声,对性能非常不利。
2021-10-11 cs.CL
Transfer Learning for Context-Aware Question Matching in Information-seeking Conversations in E-commerce
Alibaba Group(阿里巴巴集团);University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
构建多轮信息搜索会话系统是一个重要且具有挑战性的研究课题。虽然已经提出了几种先进的神经文本匹配模型来完成这项任务,但它们对于工业应用来说通常效率不高。此外,它们依赖于大量的标记数据,而这些数据在现实世界的应用中可能是不可用的。为了缓解这些问题,本文研究了多轮信息寻求会话的迁移学习。我们首先提出了一个高效和有效的多轮会话模型的基础上卷积神经网络。在此之后,我们扩展我们的模型,以适应从资源丰富的域中学习到的知识,以提高性能。最后,我们将我们的模型部署在一个名为AliMe Assist(https://consumerservice.taobao.com/online-help)的工业聊天机器人中,并观察到与现有在线模型相比的显着改进。
2018-06-14 cs.CL
Use of explicit replies as coordination mechanisms in online student debate
Universidade Lusófona(卢索福纳大学)
本文利用非参数层次主题模型识别在线学生辩论中显式回复所承担的话语角色,从而研究对话中的协调机制及其对话题结构的影响。
2023-11-30 cs.CL cs.CY cs.SI
TACO -- Twitter Arguments from COnversations
HeiCAD - Heine Center for Artificial Intelligence and Data Science(海涅人工智能与数据科学中心);GESIS - Leibniz Institute for the Social Sciences(莱布尼茨社会科学研究所)
本文提出首个推特论点数据集TACO,包含1,814条推文和200个完整对话,并提供标注框架,基于transformer的分类器取得85.06%宏平均F1分数,用于分析推特对话中的信息与推理要素。
2024-03-30 cs.AI cs.CL
Words Matter: Reducing Stigma in Online Conversations about Substance Use with Large Language Models
Drexel University(德雷塞尔大学)
本研究分析了Reddit上针对物质使用者的污名化语言,利用大语言模型将其转化为共情语言,提出了去污名化计算框架以改善SUD患者的数字环境。
2024-08-15 cs.CL
Robotic Backchanneling in Online Conversation Facilitation: A Cross-Generational Study
Tokyo Institute of Technology(东京工业大学);RIKEN(理化学研究所);Kyoto University(京都大学)
本研究评估使用反向通道反馈的机器人在预防认知下降的群体对话协议中的促进效果,跨代研究表明该机制提升了年轻人的接受度并引发了老年人的非语言反馈。
2024-09-25 cs.CL cs.HC cs.RO
Dimensions of Online Conflict: Towards Modeling Agonism
Simon Fraser University(西蒙弗雷泽大学);University of Sheffield(谢菲尔德大学)
本研究区分在线对抗性冲突与仇恨式对立,构建冲突多维度标注体系,标注约4000条Twitter对话,训练融合上下文的分类模型,为内容审核提供数据与方法支撑。
2023-11-06 cs.CL
Disentangling Online Chats with DAG-Structured LSTMs
Bloomberg(彭博社);UNC Chapel Hill(北卡罗来纳大学教堂山分校)
许多现代消息传递系统允许许多用户之间的快速和同步的文本通信。由此产生的消息序列隐藏了一个更复杂的结构,其中独立的子会话相互交织。这对任何旨在了解聊天记录内容或从中收集信息的任务都构成了挑战。理清这些对话的能力就等同于许多下游任务的成功,如总结和问答。伴随文本的结构化信息,如用户转向,用户提及,时间戳,被需要跟随对话的参与者自己用作线索,并且已被证明对解开纠缠很重要。DAG-LSTM是Tree-LSTM的一种推广,可以处理有向非循环依赖关系,是合并此类信息及其非顺序性质的自然方式。在本文中,我们将DAG-LSTM应用于会话解纠缠任务。我们在Ubuntu IRC数据集上进行了实验。我们表明,我们提出的新模型实现了最先进的状态恢复回复关系的任务,它是其他解纠缠指标的竞争力。
2021-06-16 cs.CL cs.LG
Multi-Step Alignment as Markov Games: An Optimistic Online Gradient Descent Approach with Convergence Guarantees
EPFL(洛桑联邦理工学院);UCLA(加州大学洛杉矶分校)
本文提出将RLHF对齐建模为两人常数和马尔可夫博弈,并基于乐观在线镜像下降设计OMPO算法,理论上保证O(ε⁻¹)次更新收敛到ε-近似纳什均衡,在多轮对话和数学推理数据集上验证了有效性。
2025-05-24 cs.AI cs.CL cs.LG
Catalysts of Conversation: Examining Interaction Dynamics Between Topic Initiators and Commentors in Alzheimer's Disease Online Communities
Vanderbilt University(范德堡大学);Vanderbilt University Medical Center(范德堡大学医学中心)
本研究通过倾向得分匹配等方法分析两个ADRD在线社区,发现主题发起者的积极参与和互惠回复能显著提升评论量,且不同话题与评论语言特征对用户互动有不同影响,为增强健康在线社区可持续性提供了策略。
2024-12-18 cs.CL cs.CY cs.LG
Six Attributes of Unhealthy Conversation
University of Oxford(牛津大学);University of South Carolina(南卡罗来纳大学);Google Brain(谷歌大脑);Google Research(谷歌研究院);Jigsaw
我们提出了一个新的数据集,约44000条由众包标记的评论。每个评论都被标记为“健康”或“不健康”,除了存在六个潜在的“不健康”子属性的二元标签外:(1)敌对;(2)敌对,侮辱,挑衅或拖钓;(3)不屑一顾;(4)居高临下或居高临下;(5)讽刺;和/或(6)不公平的概括。每个标签还具有相关联的置信度得分。我们认为,有必要的数据集,使研究的基础上广泛的概念“不健康的在线对话”。我们建立这种类型学,以涵盖相当大比例的个人评论,这有助于不健康的在线对话。对于其中的一些属性,这是第一个公开的这种规模的数据集。我们探讨了数据集的质量,提出了一些汇总统计和初始模型来说明这些数据的实用性,并强调了进一步研究的局限性和方向。
2020-10-14 cs.CL cs.SI
Conversation Derailment Forecasting with Graph Convolutional Networks
York University(约克大学);Portland State University(波特兰州立大学)
本文提出一种基于图卷积神经网络的模型,通过考虑用户动态和公众舆论影响来预测在线对话脱轨,在CGA和CMV基准上分别超越最先进模型1.5%和1.7%。
2023-06-22 cs.CL