Der Artikel präsentiert ein neues Modell namens CARE (CAusality Reasoning for Empathetic conversation), das Kausalitäten zwischen den Erfahrungen des Nutzers interdependent und simultan analysiert, um ein tieferes Verständnis der Gefühle und Erfahrungen des Nutzers zu erlangen.
Zunächst wird ein bedingtes variationelles Graphen-Autoencoder-Modell (CVGAE) entwickelt, um alle plausiblen Kausalitäten unter Berücksichtigung des Nutzeremotions, des Dialogverlaufs und des vorhergesagten zukünftigen Dialoginhalts zu generieren. Anschließend werden diese Kausalitäten über einen Mehrquellen-Aufmerksamkeitsmechanismus in die Antwortgenerierung eingebunden. Das Gesamtmodell CARE wird durch Multi-Task-Lernen optimiert, um Kausalitätsanalyse und Antwortgenerierung zu integrieren.
Die Experimente auf dem EMPATHETIC DIALOGUES-Datensatz zeigen, dass CARE den Stand der Technik in Bezug auf empathische Antwortgenerierung übertrifft. Die Ergebnisse der automatischen und manuellen Evaluierung belegen, dass CARE ein tieferes Verständnis der Gefühle und Erfahrungen des Nutzers erreicht und dadurch empathischere Antworten generieren kann.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Jiashuo Wang... at arxiv.org 04-09-2024
https://arxiv.org/pdf/2211.00255.pdfDeeper Inquiries