Fugu-MT 論文翻訳(概要): Generating Empathetic Responses with a Large Scale Dialog Dataset

論文の概要: Generating Empathetic Responses with a Large Scale Dialog Dataset

arxiv url: http://arxiv.org/abs/2105.06829v1
Date: Fri, 14 May 2021 13:45:40 GMT
ステータス: 処理完了
システム内更新日: 2021-05-17 12:46:45.220048
Title: Generating Empathetic Responses with a Large Scale Dialog Dataset
Title（参考訳）: 大規模対話データセットを用いた共感応答の生成
Authors: Yubo Xie, Pearl Pu
Abstract要約: 既存のモデルは、応答生成を導くために事前に定義された感情情報を直接組み込むか、応答感情を決定する決定論的ルールを使用する。 6000以上の人的評価インスタンスのベースラインと比較して,マルチターン共感ダイアログモデルの構築方法を示す。
参考スコア（独自算出の注目度）: 0.76146285961466
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The task of empathetic response generation aims at generating syntactically correct and, more importantly, emotionally appropriate responses following previous dialog turns. Existing models either directly incorporate pre-defined emotion information to guide the response generation, or use deterministic rules to decide the response emotion, ignoring the subtle emotion interactions captured in human conversations. With the advent of advanced language models, it is possible to learn the nuanced emotional exchanges captured in natural language dialogs. To fully explore the range of emotions and dialog intents, it is important to curate a dataset large enough to shed light on the general understanding of human emotional interactions in our conversations. In this paper, we describe in detail the curation process of a large-scale dialog dataset where each utterance is labeled with one of 32 emotions and 9 intent categories. We then show how to build a multi-turn empathetic dialog model that performs well compared to its baselines over 6,000 human evaluated instances.
Abstract（参考訳）: 共感的応答生成の課題は、前回の対話の後、構文的に正しく感情的に適切な応答を生成することである。既存のモデルは、応答生成を導くために事前に定義された感情情報を直接取り入れるか、あるいは決定論的ルールを使って反応感情を決定し、人間の会話で捉えた微妙な感情の相互作用を無視している。高度な言語モデルが出現すると、自然言語ダイアログで捉えたニュアンス的な感情の交換を学ぶことができる。感情と対話の意図の範囲を完全に調査するには、会話における人間の感情的相互作用の一般的な理解に光を当てるのに十分な量のデータセットをキュレートすることが重要です。本稿では,各発話に32の感情と9つの意図カテゴリのラベルを付ける大規模対話データセットのキュレーション過程について詳述する。次に,6,000以上のヒト評価インスタンスのベースラインと比較して,多ターン共感ダイアログモデルの構築方法を示す。

関連論文リスト

Personality-affected Emotion Generation in Dialog Systems [67.40609683389947]
ダイアログシステムに与えられた個性に基づいて感情を生成する新しいタスクであるパーソナリティ影響感情生成を提案する。本課題の課題,すなわち,(1)個性と感情的要因を不均一に統合し,(2)対話場面における多粒性感情情報を抽出する。その結果,感情生成性能はマクロF1では13%,重み付きF1では5%向上することが示唆された。
論文参考訳（メタデータ） (2024-04-03T08:48:50Z)
Emotion Rendering for Conversational Speech Synthesis with Heterogeneous Graph-Based Context Modeling [50.99252242917458]
会話音声合成(CSS)は,会話環境の中で適切な韻律と感情のインフレクションで発話を正確に表現することを目的としている。データ不足の問題に対処するため、私たちはカテゴリと強度の点で感情的なラベルを慎重に作成します。我々のモデルは感情の理解と表現においてベースラインモデルよりも優れています。
論文参考訳（メタデータ） (2023-12-19T08:47:50Z)
Dynamic Causal Disentanglement Model for Dialogue Emotion Detection [77.96255121683011]
隠れ変数分離に基づく動的因果解離モデルを提案する。このモデルは、対話の内容を効果的に分解し、感情の時間的蓄積を調べる。具体的には,発話と隠れ変数の伝搬を推定する動的時間的ゆがみモデルを提案する。
論文参考訳（メタデータ） (2023-09-13T12:58:09Z)
Affective Visual Dialog: A Large-Scale Benchmark for Emotional Reasoning Based on Visually Grounded Conversations [31.707018753687098]
本稿では,視覚的な会話における感情の形成を理解するためのテストベッドとして,Affective Visual Dialogを紹介した。この課題には,対話型質問回答,対話型感情予測,感情説明生成という3つのスキルが含まれる。私たちの重要な貢献は、AffectVisDialと呼ばれる大規模なデータセットの収集です。
論文参考訳（メタデータ） (2023-08-30T22:50:32Z)
Think Twice: A Human-like Two-stage Conversational Agent for Emotional Response Generation [16.659457455269127]
感情対話生成のための2段階対話エージェントを提案する。まず,感情アノテートされた対話コーパスを使わずに訓練された対話モデルを用いて,文脈意味に合致するプロトタイプ応答を生成する。第二に、第一段階のプロトタイプは共感仮説で制御可能な感情精錬器によって修正される。
論文参考訳（メタデータ） (2023-01-12T10:03:56Z)
Empathetic Response Generation with State Management [32.421924357260075]
共感的反応生成の目標は、会話における感情を知覚し表現する対話システムの能力を高めることである。感情や意図を含む複数の状態情報を同時に考察できる新しい共感応答生成モデルを提案する。実験の結果、異なる情報を動的に管理することは、モデルがより共感的な反応を生成するのに役立つことが示された。
論文参考訳（メタデータ） (2022-05-07T16:17:28Z)
Chat-Capsule: A Hierarchical Capsule for Dialog-level Emotion Analysis [70.98130990040228]
本稿では,発話レベルと対話レベルの両方の感情とその相互関係をモデル化したコンテキストベースの階層的注意カプセル(Chat-Capsule)モデルを提案する。 Eコマースプラットフォームの顧客サポートから収集したダイアログデータセットでは,ユーザの満足度や感情曲線のカテゴリも予測できる。
論文参考訳（メタデータ） (2022-03-23T08:04:30Z)
Perspective-taking and Pragmatics for Generating Empathetic Responses Focused on Emotion Causes [50.569762345799354]
i) 相手の感情が発話から引き起こされる原因となる単語を特定することと, (ii) 応答生成における特定の単語を反映することである。社会的認知からインスピレーションを得て、生成的推定を用いて、感情が単語レベルのラベルのない発話から単語を推論する。
論文参考訳（メタデータ） (2021-09-18T04:22:49Z)
EmoWOZ: A Large-Scale Corpus and Labelling Scheme for Emotion in Task-Oriented Dialogue Systems [3.3010169113961325]
EmoWOZはタスク指向対話の大規模手動感情注釈コーパスである。 11K以上の対話と83K以上の感情アノテーションを含む。本稿では,タスク指向対話に適した新しい感情ラベリング手法を提案する。
論文参考訳（メタデータ） (2021-09-10T15:00:01Z)
Emotion-aware Chat Machine: Automatic Emotional Response Generation for Human-like Emotional Interaction [55.47134146639492]
この記事では、投稿中のセマンティクスと感情を同時にエンコードできる、未定義のエンドツーエンドニューラルネットワークを提案する。実世界のデータを用いた実験により,提案手法は,コンテンツコヒーレンスと感情の適切性の両方の観点から,最先端の手法よりも優れていることが示された。
論文参考訳（メタデータ） (2021-06-06T06:26:15Z)
A Taxonomy of Empathetic Response Intents in Human Social Conversations [1.52292571922932]
自然言語処理コミュニティでは、オープンドメインの会話エージェントがますます人気を高めている。課題のひとつは、共感的な方法で会話できるようにすることです。現在のニューラルレスポンス生成手法は、大規模な会話データからエンドツーエンドの学習のみに頼って対話を生成する。近年,対話act/intentモデリングとニューラルレスポンス生成を組み合わせることが期待されている。
論文参考訳（メタデータ） (2020-12-07T21:56:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。