論文の概要: Predicting Evoked Emotions in Conversations
- arxiv url: http://arxiv.org/abs/2401.00383v1
- Date: Sun, 31 Dec 2023 03:30:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-03 17:41:45.406813
- Title: Predicting Evoked Emotions in Conversations
- Title（参考訳）: 会話における誘発感情の予測
- Authors: Enas Altarawneh, Ameeta Agrawal, Michael Jenkin, Manos Papagelis
- Abstract要約: 次回(n+1)における会話における感情予測(PEC)の新たな問題について紹介する。
我々は,対話における誘発感情に固有の3次元をモデル化することにより,この問題に体系的にアプローチする。
我々は, PEC問題に対処するための様々なモデルについて, 包括的実証評価を行った。
- 参考スコア（独自算出の注目度）: 6.0866477571088895
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Understanding and predicting the emotional trajectory in multi-party
multi-turn conversations is of great significance. Such information can be
used, for example, to generate empathetic response in human-machine interaction
or to inform models of pre-emptive toxicity detection. In this work, we
introduce the novel problem of Predicting Emotions in Conversations (PEC) for
the next turn (n+1), given combinations of textual and/or emotion input up to
turn n. We systematically approach the problem by modeling three dimensions
inherently connected to evoked emotions in dialogues, including (i) sequence
modeling, (ii) self-dependency modeling, and (iii) recency modeling. These
modeling dimensions are then incorporated into two deep neural network
architectures, a sequence model and a graph convolutional network model. The
former is designed to capture the sequence of utterances in a dialogue, while
the latter captures the sequence of utterances and the network formation of
multi-party dialogues. We perform a comprehensive empirical evaluation of the
various proposed models for addressing the PEC problem. The results indicate
(i) the importance of the self-dependency and recency model dimensions for the
prediction task, (ii) the quality of simpler sequence models in short
dialogues, (iii) the importance of the graph neural models in improving the
predictions in long dialogues.
- Abstract（参考訳）: 多人数会話における感情的軌跡の理解と予測は極めて重要である。
このような情報は、例えば、人間と機械の相互作用において共感的な反応を生成するために、またはプリエンプティブ毒性検出のモデルに通知するために用いられる。
本研究では,次のターン(n+1)における会話における感情予測(PEC)の新たな問題を紹介する。
対話における誘発感情に内在する3次元をモデル化し,問題を体系的に解決する。
(i)シーケンスモデリング。
(ii)自己依存モデリング、及び
(iii)recency modeling。
これらのモデリング次元は、シーケンスモデルとグラフ畳み込みネットワークモデルという2つのディープニューラルネットワークアーキテクチャに組み込まれる。
前者は対話中の発話のシーケンスをキャプチャし、後者は発話のシーケンスと多人数対話のネットワーク形成をキャプチャするように設計されている。
我々は,pec問題に対処するために提案する各種モデルの包括的実証評価を行う。
その結果は
(i)予測課題における自己依存度・正規性モデル次元の重要性
(ii)短い対話における単純なシーケンスモデルの品質
(iii)長い対話における予測の改善におけるグラフニューラルモデルの重要性。
関連論文リスト
- Conversation Derailment Forecasting with Graph Convolutional Networks [6.251188655534379]
本稿では,対話型ユーザダイナミクスと,会話発話に対する公衆認識の影響を考慮した,グラフ畳み込みニューラルネットワークに基づく新しいモデルを提案する。
提案モデルでは,CGAとCMVのベンチマークデータセットにおいて,会話のダイナミクスを効果的に把握し,最先端のモデルをそれぞれ1.5%,1.7%向上させる。
論文 参考訳（メタデータ） (2023-06-22T15:40:59Z) - Improving a sequence-to-sequence nlp model using a reinforcement
learning policy algorithm [0.0]
対話生成の現在のニューラルネットワークモデルは、おしゃべりエージェントの回答を生成する上で非常に有望である。
しかし、彼らは発話を1度ずつ予測し、将来の結果に対する彼らの影響を無視している。
本研究は,対話の長期的成功に基づくニューラルな会話モデル構築に向けた予備的なステップを記念するものである。
論文 参考訳（メタデータ） (2022-12-28T22:46:57Z) - Learning Interpretable Latent Dialogue Actions With Less Supervision [3.42658286826597]
本稿では,個別変数を用いたタスク指向対話のモデル化のための新しいアーキテクチャを提案する。
本モデルは,変化型リカレントニューラルネットワーク(VRNN)に基づいており,意味情報の明示的なアノテーションを必要としない。
論文 参考訳（メタデータ） (2022-09-22T16:14:06Z) - A Probabilistic Model Of Interaction Dynamics for Dyadic Face-to-Face
Settings [1.9544213396776275]
我々は,対面設定における対の参加者間の相互作用のダイナミクスを捉える確率論的モデルを開発した。
この相互作用エンコーディングは、あるエージェントの将来のダイナミクスを予測する際に、生成に影響を与えるために使用される。
我々のモデルは, 相互作用する力学に基づいて, モード間のデライン化に成功していることを示す。
論文 参考訳（メタデータ） (2022-07-10T23:31:27Z) - Learning Locality and Isotropy in Dialogue Modeling [28.743212772593335]
異方性と対話性のある特徴空間を構築するための単純な対話表現キャリブレーション法,すなわちSimDRCを提案する。
実験の結果,本手法は3つの対話課題における現在の最先端モデルよりも優れていた。
論文 参考訳（メタデータ） (2022-05-29T06:48:53Z) - Scene Synthesis via Uncertainty-Driven Attribute Synchronization [52.31834816911887]
本稿では,3次元シーンの多様な特徴パターンを捉えるニューラルシーン合成手法を提案する。
提案手法は,ニューラルネットワークと従来のシーン合成手法の双方の長所を結合する。
論文 参考訳（メタデータ） (2021-08-30T19:45:07Z) - TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。
我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
論文 参考訳（メタデータ） (2021-05-17T15:33:25Z) - I like fish, especially dolphins: Addressing Contradictions in Dialogue
Modeling [104.09033240889106]
DialoguE Contradiction Detection Task(DECODE)と、人間とロボットの矛盾した対話の両方を含む新しい会話データセットを紹介します。
次に、事前学習したトランスフォーマーモデルを用いて、定型的非構造的アプローチと矛盾検出を行う構造的発話に基づくアプローチを比較する。
論文 参考訳（メタデータ） (2020-12-24T18:47:49Z) - Topic-Aware Multi-turn Dialogue Modeling [91.52820664879432]
本稿では,トピック認識発話を教師なしでセグメント化して抽出する,多元対話モデリングのための新しいソリューションを提案する。
トピック・アウェア・モデリングは、新たに提案されたトピック・アウェア・セグメンテーション・アルゴリズムとトピック・アウェア・デュアル・アテンション・マッチング(TADAM)ネットワークによって実現されている。
論文 参考訳（メタデータ） (2020-09-26T08:43:06Z) - 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) - Modality-Balanced Models for Visual Dialogue [102.35406085738325]
Visual Dialogタスクは、対話に対する次の応答を生成するために、画像情報と会話コンテキスト情報の両方を利用するモデルを必要とする。
過去の共同モダリティ(歴史とイメージ)モデルが過度に再現され,対話履歴を記憶する傾向が強いことを示す。
本稿では,共有パラメータを用いたアンサンブルとコンセンサス・ドロップアウト融合による2つのモデルの統合手法を提案する。
論文 参考訳（メタデータ） (2020-01-17T14:57:12Z)
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。