論文の概要: Enhancing the Emotional Generation Capability of Large Language Models
via Emotional Chain-of-Thought
- arxiv url: http://arxiv.org/abs/2401.06836v1
- Date: Fri, 12 Jan 2024 16:42:10 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-17 21:09:24.611301
- Title: Enhancing the Emotional Generation Capability of Large Language Models
via Emotional Chain-of-Thought
- Title(参考訳): 感情連鎖による大規模言語モデルの感情生成能力の向上
- Authors: Zaijing Li, Gongwei Chen, Rui Shao, Dongmei Jiang, and Liqiang Nie
- Abstract要約: 感情生成は、感情的条件を入力として、感情的応答を出力することを目的としている。
感情生成には、感情チャット、感情的な視覚的キャプション、感情的な書き直しなど、幅広い応用がある。
本研究では,感情生成タスクにおける大規模言語モデル(LLM)の性能向上を目的とした感情連鎖(ECoT)を提案する。
- 参考スコア(独自算出の注目度): 53.1230874584344
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Emotional Generation is a subset of emotional intelligence, which aims to
output an emotional response based on emotional conditions as input. Emotion
generation has a wide range of applications, including emotion chat, emotional
visual caption, and emotional rewriting. However, it faces challenges such as a
lack of interpretability and poor evaluability. In this paper, we propose the
Emotional Chain-of-Thought (ECoT), a plug-and-play prompting method that
enhances the performance of Large Language Models (LLMs) on various emotional
generation tasks by aligning with human emotional intelligence guidelines. To
assess the reliability of ECoT, we propose an automated model-based evaluation
method called EGS. Extensive experimental results demonstrate the effectiveness
of ECoT and EGS. Further,we discuss the promise of LLMs in the field of
sentiment analysis and present key insights into the LLMs with the ECoT in
emotional generation tasks.
- Abstract(参考訳): 感情生成は感情的知能のサブセットであり、感情的条件を入力として感情的応答を出力することを目的としている。
感情生成には、感情チャット、感情的な視覚的キャプション、感情的な書き直しなど、幅広いアプリケーションがあります。
しかし、解釈容易性の欠如や評価容易性の欠如といった課題に直面している。
本稿では,人間の感情知能ガイドラインと整合して,感情生成タスクにおける大規模言語モデル(LLM)の性能を高めるためのプラグイン・アンド・プレイ促進手法ECoTを提案する。
ECoTの信頼性を評価するため,EGSと呼ばれるモデルに基づく自動評価手法を提案する。
ECoTとESGの有効性を実験的に明らかにした。
さらに,感情分析の分野でのLLMの約束について論じ,感情生成タスクにおけるECoTを用いたLLMの重要洞察について述べる。
関連論文リスト
- UniMEEC: Towards Unified Multimodal Emotion Recognition and Emotion Cause [18.84743213557238]
会話におけるマルチモーダル感情認識(MERC)とマルチモーダル感情原因ペア抽出(MECPE)は近年注目されている。
我々は、感情と感情の原因の因果関係と相補性を探るため、統一マルチモーダル感情認識・感情因果分析フレームワーク(UniMEEC)を提案する。
UniMEECは、MERCとMECPEのタスクを2つのマスク予測問題として再構成し、感情と原因の相互作用を強化する。
論文 参考訳(メタデータ) (2024-03-30T15:59:17Z) - EmoBench: Evaluating the Emotional Intelligence of Large Language Models [75.79920924768798]
EmoBenchは、確立された心理学理論に基づいて、マシン感情知能(EI)の包括的な定義を提案するベンチマークである。
EmoBenchには、英語と中国語で400の手作りの質問が含まれている。
以上の結果から,既存の大規模言語モデルのEIと平均的な人間の間には,かなりのギャップがみられ,今後の研究に向けての有望な方向性が浮かび上がっている。
論文 参考訳(メタデータ) (2024-02-19T11:48:09Z) - An Appraisal-Based Chain-Of-Emotion Architecture for Affective Language
Model Game Agents [0.40964539027092906]
本研究では,感情的知性課題の解決と感情のシミュレートを目的とした大規模言語モデルの能力について検討する。
心理学的評価研究に基づいて,ゲーム内の感情シミュレーションのための新たな感情連鎖アーキテクチャを提示し,評価する。
論文 参考訳(メタデータ) (2023-09-10T16:55:49Z) - 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) - Emotional Intelligence of Large Language Models [9.834823298632374]
大規模言語モデル(LLM)は多くの分野において顕著な能力を示している。
しかし、現実世界の応用にとって重要な人間の感情や価値観との整合性は、体系的に評価されていない。
そこで我々は,感情認識,解釈,理解を含むLLMの感情知能(EI)を評価した。
論文 参考訳(メタデータ) (2023-07-18T07:49:38Z) - Large Language Models Understand and Can be Enhanced by Emotional
Stimuli [53.53886609012119]
我々は、感情的な刺激を理解するために、大規模言語モデルの能力を探究する第一歩を踏み出す。
実験の結果,LLMは感情的知能を把握でき,その性能は感情的刺激によって改善できることがわかった。
EmotionPromptが生成タスクの性能を大幅に向上させることを示す。
論文 参考訳(メタデータ) (2023-07-14T00:57:12Z) - Emotion Intensity and its Control for Emotional Voice Conversion [77.05097999561298]
感情音声変換(EVC)は、言語内容と話者のアイデンティティを保ちながら、発話の感情状態を変換しようとする。
本稿では,感情の強さを明示的に表現し,制御することを目的とする。
本稿では,話者スタイルを言語内容から切り離し,連続した空間に埋め込み,感情埋め込みのプロトタイプを形成するスタイルに符号化することを提案する。
論文 参考訳(メタデータ) (2022-01-10T02:11:25Z) - Using Knowledge-Embedded Attention to Augment Pre-trained Language
Models for Fine-Grained Emotion Recognition [0.0]
我々は,事前学習した自己意識モデルに外部知識を導入することで,微粒な感情認識を改善することに集中する。
結果と誤差解析は,複数のデータセットで過去のモデルより優れていた。
論文 参考訳(メタデータ) (2021-07-31T09:41:44Z) - 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)
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。