「对话中的微妙情感，如何被理解和回应？SEEK带你探索动态情感建模新路径」

文章主题：情感交互, 对话生成, 情感动态建模

微信公众号（每日论文干货分享！！）

编辑: ShuYini

校稿: ShuYini

时间: 2022-11-9

引言

🌟在心理咨询中，情感共鸣是关键🔥，它能拉近人与人的距离，让对话更具深度。💡在AI领域，生成情感丰富、贴近人心的对话回复是一项挑战。🔍今天揭秘，中科院团队带来了创新解决方案——SEEK模型！🚀他们巧妙地融合了串行编码和情感-知识交互，不仅考虑到两者间的互动，还实现了情感动态建模的突破。✨通过这种技术，我们期待能产出那些能触动心灵、充满温度的对话。🌟感兴趣？了解更多详情，只需轻轻一点链接，让智能与情感无缝对接！🌐

背景知识

🌟🚀对话系统新纪元：类人智慧🔥✨探索人工智能的深度与广度，对话系统的”人性化”特征无疑是研究焦点。心理咨询中的共鸣，犹如日常对话中的灵魂触碰，是情感交流的核心💡。而非机械操控情绪，而是理解和回应——这就是共鸣对话系统的真谛🌈。 yüksek技巧下，模型们努力提升捕捉细微情感的能力，通过模仿、对抗或融合策略，让共鸣如丝般细腻，触动人心弦🎶。同时，Sabour等创新者将常识的智慧融入，赋予系统洞察内隐语义的超能力，信息与共鸣的回应由此丰富起来📚。在这个智能对话的时代，我们期待看到更多这样的突破，让技术真正贴近人性，为用户提供更深度、更有温度的交流体验🚀。#类人对话# #情感理解# #知识驱动

🌟改写内容：🚀现有的情感交互研究主要聚焦于对话情绪的初级感知，然而这种基于全局上下文的情绪识别方法往往忽视了情感在互动中的瞬息万变。这使得预测出精确且动态的情感响应成为挑战。👀Welivita团队深入探究了对话行为的多样模式，通过可视化图表揭示了前四轮对话中常见的情感转折路径，如图1所示——从最初的恐惧到分享自嘲的趣事，说话者的情绪发生了戏剧性的转变。💡因此，理想的对话代理需要具备敏锐的情感理解能力，能捕捉并回应这种微妙情绪波动，而非仅仅基于恐惧做出反应。然而，基线模型往往难以捕捉这些细微差别，只能机械地响应已检测到的情绪。另一方面，如果在知识注入时忽视情感逻辑的连贯性，可能会导致生成的回答在事实与情感之间产生断裂，就像图2中的CEM模型那样，尽管具备知识，却无法提供怀旧且恰当的情感共鸣，反而加剧了知识与情感的冲突。换句话说，提升对话AI的情感智慧和逻辑一致性是未来研究的关键，以实现流畅、有深度的人机交流。🎯让我们期待能有更先进的技术来应对这一挑战，为用户提供更加人性化和连贯的情感互动体验。

模型方法

🌟提出一种创新的序列编码和情感智慧交融（SEEK）策略，专为打造深情对话而生！🎯通过深入级的情感对话编码，让每句话都充满微妙情绪波动，对情绪变化了如指掌。👀接下来，我们引入两个新颖的情感意图检测挑战，揭示上下文情绪脉络，精准预测回应的情绪色彩。🌈然后，面对知识与情感交织的矛盾，设计精密的框架，模拟双向互动，确保两者和谐共存。🌟SEO优化词汇：#深度对话编码 #情感意图识别 #知识情感融合

本文模型方法主要包含三个部分：对话知识编码器、情感流感知器、情感意图响应。具体如下图所示:

对话知识编码器

「对话编码」：为了得到每个对话的精确表示，首先在对话层面对语境进行编码，提取语境信息。使用Transformer对话语进行编码。输入的嵌入是单词嵌入、位置嵌入和对话状态嵌入的总和,得到 $Ui$ U_i。

「知识编码」:为相应的上下文生成高质量的常识推断，本文利用了一个预训练的GPT语言模型COMET，并在ATOMIC上进行了调优，生成五种类型的常识知识:人的效果(xEffect)，说话人的影响(xReact)，说话人之前的意图(xIntent)，说话人当前意图(xNeed)，说话人之后意图(xWant)。将这5个特殊关系标记附加到话语后，输入到COMET模型中，会得到输入话语的每个关系的5个常识推理文本，然后将它们连接到Ki。同样，使用相同的Transformer Encoder对知识文本Ki进行编码，并通过均值池(mean pooling)对编码后的隐藏状态进行平均。得到 $Ki$ K_i

情感流感知器

将每个话语的情感理解任务作为标记任务，使用Bi-LSTM模型来模拟语境理解过程中不同话语之间的情感变化和相互作用。Bi-LSTM的输入是经过编码的话语和知识的串联（ $Ui,Ki$ U_i,K_i）,则有：

情感意图响应

仅仅将常识引入移情模型，而不进行情感上的逻辑选择是不理想的。Sabour等人(2021)使用隐式程序选择常识推理。相反，我们的方法模拟了对话中相应话语的情感和知识之间的双向互动过程。本文采用s层交叉注意力Transformer来实现情感和知识的协调。由于话语表示序列 $[U^1,U^2,\dots,U^N-1]$ [\hat{U}_1,\hat{U}_2,…,\hat{U}_{N-1}]经过了情感的三个任务，它包含了对应话语的情感特征。交叉注意力知识选择器的输入由充当查询向量的话语表示序列、键和值向量组成，它们都是从 COMET 模型 $K=[K1,K2,\dots,KN-1]$ K = [K_1,K_2, …,K_{N-1}] 生成的知识文本。

实验结果

研究在EMPATHETICDIALOGUES(ED)对话集上展开，揭示了SEEK在自动及手动评估指标上的显著优越性，超越了多款强劲基准。通过深入分析，我们观察到本文模型对四大基线的优化亮点，展现出显著的改进成效。欲了解更多详情，请关注相关领域的最新进展。🌟

🌟研究发现🌟，在人工智能(AI)的效能评估中，三个关键指标至关重要——一致性（Consistency）、同理心（Empathy）与流畅度（Fluency）。一项尖端的人类A/B测试揭示了SEEK的独特优势，相较于四大基准模型，其显著超越。👀数据直击要害👀，显而易见的对比结果彰显了SEEK在这些关键领域的卓越实力。

引言