論文の概要: CARE: Causality Reasoning for Empathetic Responses by Conditional Graph Generation

• arxiv url: http://arxiv.org/abs/2211.00255v1
• Date: Tue, 1 Nov 2022 03:45:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-02 13:50:44.224241
• Title: CARE: Causality Reasoning for Empathetic Responses by Conditional Graph Generation
• Title（参考訳）: CARE:条件付きグラフ生成による共感反応の因果推論
• Authors: Jiashuo Wang, Yi Cheng, Wenjie Li
• Abstract要約: 因果推論のための新しいモデル、すなわち条件変分グラフオートエンコーダ(CVGAE)を開発した。 この枠組み全体をCARE(CAusality Reasoning for Empathetic conversation)と命名した。 実験結果から,本手法は最先端性能を実現することが示唆された。
• 参考スコア（独自算出の注目度）: 7.745501093146286
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent approaches to empathetic response generation incorporate emotion causalities to enhance comprehension of both the user's feelings and experiences. However, these approaches suffer from two critical issues. First, they only consider causalities between the user's emotion and the user's experiences, and ignore those between the user's experiences. Second, they neglect interdependence among causalities and reason them independently. To solve the above problems, we expect to reason all plausible causalities interdependently and simultaneously, given the user's emotion, dialogue history, and future dialogue content. Then, we infuse these causalities into response generation for empathetic responses. Specifically, we design a new model, i.e., the Conditional Variational Graph Auto-Encoder (CVGAE), for the causality reasoning, and adopt a multi-source attention mechanism in the decoder for the causality infusion. We name the whole framework as CARE, abbreviated for CAusality Reasoning for Empathetic conversation. Experimental results indicate that our method achieves state-of-the-art performance.
• Abstract（参考訳）: 共感応答生成に対する最近のアプローチは、ユーザの感情と経験の両方の理解を高めるために感情因果関係を取り入れている。 しかし、これらのアプローチには2つの重大な問題がある。 まず、彼らはユーザの感情とユーザエクスペリエンスの間の因果関係のみを検討し、ユーザエクスペリエンス間の因果関係を無視する。 第2に、因果関係間の相互依存を無視し、独立して推論する。 上記の問題を解決するため、ユーザの感情、対話履歴、将来の対話内容から、すべてのもっともらしい因果関係を相互に同時に推論することを期待する。 そして、これらの因果関係を共感反応の応答生成に注入する。 具体的には, 因果関係推論のための条件付き変分グラフオートエンコーダ(cvgae)を新たに設計し, 因果関係注入のためのデコーダに多元的注意機構を導入する。 この枠組み全体をCARE(CAusality Reasoning for Empathetic conversation)と命名した。 実験結果から,本手法は最先端性能を実現することが示唆された。

関連論文リスト

• CauESC: A Causal Aware Model for Emotional Support Conversation [79.4451588204647]
  既存のアプローチは、苦痛の感情の原因を無視します。 彼らは、話者間の相互作用における感情的ダイナミクスよりも、探究者自身の精神状態に焦点を当てている。 本稿では、まず、苦痛の感情要因と、その原因によって引き起こされる感情効果を認識する新しいフレームワークCauESCを提案する。
  論文  参考訳（メタデータ） (2024-01-31T11:30:24Z)
• CLEVRER-Humans: Describing Physical and Causal Events the Human Way [55.44915246065028]
  CLEVRER-Humansベンチマークは,人間ラベルを用いた物理的事象の因果判定のためのビデオデータセットである。 まず、ビデオ内のイベントを新たに表現するための、新しい反復的なイベントクローゼタスク、すなわち、Causal Event Graphs (CEGs) と呼ぶもので、第2に、ニューラルネットワーク生成モデルに基づくデータ拡張技術である。
  論文  参考訳（メタデータ） (2023-10-05T16:09:48Z)
• Reasoning before Responding: Integrating Commonsense-based Causality Explanation for Empathetic Response Generation [32.91998137372244]
  多様な共感反応生成のためのコモンセンスに基づく因果説明手法を提案する。 我々は,コンテキスト内学習とコモンセンス知識を統合することにより,ChatGPTのシステム視点を推論する能力を強化する。
  論文  参考訳（メタデータ） (2023-07-28T01:52:16Z)
• Empathetic Response Generation via Emotion Cause Transition Graph [29.418144401849194]
  共感的対話は、感情的要因(例えば、感情の状態)と認知的要因(例えば、感情の原因)の両方の知覚を必要とする人間のような行動である。 共感対話における2つのターン間の感情原因の自然な遷移を明示的にモデル化する感情原因遷移グラフを提案する。 このグラフでは、次のターンで生じる感情の概念語を、特殊に設計された概念認識デコーダによって予測し、使用し、共感的な応答を生成する。
  論文  参考訳（メタデータ） (2023-02-23T05:51:17Z)
• CASE: Aligning Coarse-to-Fine Cognition and Affection for Empathetic Response Generation [59.8935454665427]
  共感的対話モデルは、通常、感情的な側面のみを考慮するか、孤立して認知と愛情を扱う。 共感的対話生成のためのCASEモデルを提案する。
  論文  参考訳（メタデータ） (2022-08-18T14:28:38Z)
• Empathetic Response Generation through Graph-based Multi-hop Reasoning on Emotional Causality [13.619616838801006]
  共感応答生成は、ユーザの感情を理解し、それを適切に応答することを目的としている。 既存の作業の多くは、単に感情が何であるかに焦点を合わせ、どのように感情が誘発されるかを無視します。 我々は、感情的因果関係、すなわち、ユーザーがどのような感情を表現しているか、なぜユーザーがそのような感情を持っているのかを考える。
  論文  参考訳（メタデータ） (2021-10-09T17:12:41Z)
• 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)
• ACRE: Abstract Causal REasoning Beyond Covariation [90.99059920286484]
  因果誘導における現在の視覚システムの系統的評価のための抽象因果分析データセットについて紹介する。 Blicket実験における因果発見の研究の流れに触発され、独立シナリオと介入シナリオのいずれにおいても、以下の4種類の質問で視覚的推論システムに問い合わせる。 純粋なニューラルモデルは確率レベルのパフォーマンスの下で連想戦略に向かう傾向があるのに対し、ニューロシンボリックな組み合わせは後方ブロッキングの推論に苦しむ。
  論文  参考訳（メタデータ） (2021-03-26T02:42:38Z)
• Recognizing Emotion Cause in Conversations [82.88647116730691]
  テキストにおける感情の原因を認識することは、NLPにおける基本的な研究領域である。 RECCONというデータセットとの会話で感情の原因を認識するタスクを紹介します。
  論文  参考訳（メタデータ） (2020-12-22T03:51:35Z)

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。