論文の概要: Knowledge-enhanced Memory Model for Emotional Support Conversation
- arxiv url: http://arxiv.org/abs/2310.07700v1
- Date: Wed, 11 Oct 2023 17:51:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 21:30:50.415822
- Title: Knowledge-enhanced Memory Model for Emotional Support Conversation
- Title(参考訳): 感情支援会話のための知識強化記憶モデル
- Authors: Mengzhao Jia, Qianglong Chen, Liqiang Jing, Dawei Fu, Renyu Li
- Abstract要約: 感情的助詞共会話(MODERN)のための知識強化メモリモデルを提案する。
具体的には、まず、会話の異なる期間の動的感情変化を知覚するために、知識に富んだ対話コンテキストを符号化する。
次に、新しいメモリ強化戦略モデリングモジュールを実装し、戦略カテゴリの背後にあるセマンティックパターンをモデル化する。
- 参考スコア(独自算出の注目度): 8.856733707377922
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The prevalence of mental disorders has become a significant issue, leading to
the increased focus on Emotional Support Conversation as an effective
supplement for mental health support. Existing methods have achieved compelling
results, however, they still face three challenges: 1) variability of emotions,
2) practicality of the response, and 3) intricate strategy modeling. To address
these challenges, we propose a novel knowledge-enhanced Memory mODEl for
emotional suppoRt coNversation (MODERN). Specifically, we first devise a
knowledge-enriched dialogue context encoding to perceive the dynamic emotion
change of different periods of the conversation for coherent user state
modeling and select context-related concepts from ConceptNet for practical
response generation. Thereafter, we implement a novel memory-enhanced strategy
modeling module to model the semantic patterns behind the strategy categories.
Extensive experiments on a widely used large-scale dataset verify the
superiority of our model over cutting-edge baselines.
- Abstract(参考訳): 精神疾患の流行は重要な問題となり、メンタルヘルスサポートの効果的な補完としての感情的サポート会話への注目が高まっている。
既存の手法は説得力のある結果を得たが、それでも3つの課題に直面している。
1)感情の変動性。
2)応答の実用性,及び
3)複雑な戦略モデリング。
これらの課題に対処するために,感情的助詞共会話(MODERN)のための知識強化メモリモデルを提案する。
具体的には,まず,会話の異なる期間の動的感情変化を知覚し,ユーザ状態モデリングを行い,実用的な応答生成のためにconceptnetからコンテキスト関連概念を選択する,知識豊かな対話コンテキストを符号化する。
その後,新たなメモリエンハンス戦略モデリングモジュールを実装し,戦略カテゴリの背後にある意味的パターンをモデル化する。
大規模データセットの大規模な実験は、最先端のベースラインよりもモデルの優位性を検証する。
関連論文リスト
- An Iterative Associative Memory Model for Empathetic Response Generation [23.824751737459835]
共感的応答生成は、対話発話における認知的状態と感情的状態を理解することである。
共感応答生成のための反復連想記憶モデル(IAMM)を提案する。
論文 参考訳(メタデータ) (2024-02-28T00:49:06Z) - Watch the Speakers: A Hybrid Continuous Attribution Network for Emotion
Recognition in Conversation With Emotion Disentanglement [8.17164107060944]
Emotion Recognition in Conversation (ERC) は自然言語処理分野で広く注目を集めている。
既存のERC手法では、コンテキストのモデリングが不十分なため、様々なシナリオへの一般化が困難である。
本稿では,これらの課題に対処するハイブリッド連続帰属ネットワーク(HCAN)について,感情的継続と感情的帰属の観点から紹介する。
論文 参考訳(メタデータ) (2023-09-18T14:18:16Z) - Building Emotional Support Chatbots in the Era of LLMs [64.06811786616471]
我々は,Large Language Models (LLMs) の計算能力で人間の洞察を合成する革新的な方法論を導入する。
また,ChatGPTの文脈内学習の可能性を利用して,ExTESと呼ばれる感情支援対話データセットを生成する。
次に、LLaMAモデルに高度なチューニング手法を展開し、多様なトレーニング戦略の影響を検証し、最終的に感情的支援の相互作用に細心の注意を払ってLLMを出力する。
論文 参考訳(メタデータ) (2023-08-17T10:49:18Z) - 'What are you referring to?' Evaluating the Ability of Multi-Modal
Dialogue Models to Process Clarificational Exchanges [65.03196674816772]
参照表現が宛先に対して意図された参照を一意に識別しない場合、参照の曖昧さが対話で生じる。
出席者は、通常、そのような曖昧さをすぐに検知し、メタコミュニケーション、明確化取引所(CE: Meta-communicative, Clarification Exchanges)を使用して、話者と作業する。
ここでは、CRを生成・応答する能力は、マルチモーダルな視覚的基盤を持つ対話モデルのアーキテクチャと目的関数に特定の制約を課していると論じる。
論文 参考訳(メタデータ) (2023-07-28T13:44:33Z) - EmotionIC: Emotional Inertia and Contagion-Driven Dependency Modeling
for Emotion Recognition in Conversation [37.41082775317849]
情緒的慣性・伝染(Emotional Inertia and Contagion, EmotionIC)による依存モデリングの新しいアプローチを提案する。
EmotionICは3つの主要コンポーネントから構成されており、Identity Masked Multi-Head Attention (IMMHA), Dialogue-based Gated Recurrent Unit (DiaGRU), Skip-chain Random Field (SkipCRF)である。
論文 参考訳(メタデータ) (2023-03-20T13:58:35Z) - PoKE: Prior Knowledge Enhanced Emotional Support Conversation with
Latent Variable [1.5787128553734504]
感情的なサポートは、対話システムにトレーニングされるべき重要なコミュニケーションスキルです。
既存の研究の多くは、現在の状況に応じて支援戦略を予測し、対応する感情的支援を提供する。
本稿では,潜在変数モデルであるPoKEを用いた事前知識向上型感情支援会話を提案する。
論文 参考訳(メタデータ) (2022-10-23T07:31:24Z) - Improving Multi-turn Emotional Support Dialogue Generation with
Lookahead Strategy Planning [81.79431311952656]
感情支援のための新しいシステムMultiESCを提案する。
戦略プランニングでは,特定の戦略を使用した後のユーザフィードバックを見積もるルックアヘッドを提案する。
ユーザ状態モデリングにおいて、MultiESCはユーザーの微妙な感情表現を捉え、感情の原因を理解することに重点を置いている。
論文 参考訳(メタデータ) (2022-10-09T12:23:47Z) - M2R2: Missing-Modality Robust emotion Recognition framework with
iterative data augmentation [6.962213869946514]
学習された共通表現による反復的データ拡張で感情認識モデルを訓練するミス・モダリティ・ロバスト感情認識(M2R2)を提案する。
Party Attentive Network (PANet)は、すべての話者の状態と状況を追跡する感情を分類するために設計された。
論文 参考訳(メタデータ) (2022-05-05T09:16:31Z) - Deep Recurrent Encoder: A scalable end-to-end network to model brain
signals [122.1055193683784]
複数の被験者の脳応答を一度に予測するために訓練されたエンドツーエンドのディープラーニングアーキテクチャを提案する。
1時間の読解作業で得られた大脳磁図(meg)記録を用いて,このアプローチを検証した。
論文 参考訳(メタデータ) (2021-03-03T11:39:17Z) - Target Guided Emotion Aware Chat Machine [58.8346820846765]
意味レベルと感情レベルにおける投稿に対する応答の整合性は、人間のような対話を提供する対話システムにとって不可欠である。
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。
論文 参考訳(メタデータ) (2020-11-15T01:55:37Z) - Ranking Enhanced Dialogue Generation [77.8321855074999]
対話履歴を効果的に活用する方法は、マルチターン対話生成において重要な問題である。
これまでの研究は通常、歴史をモデル化するために様々なニューラルネットワークアーキテクチャを使用していた。
本稿では,ランキング拡張対話生成フレームワークを提案する。
論文 参考訳(メタデータ) (2020-08-13T01:49:56Z)
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。