核心概念
通过同时和相互依赖地推理所有可能的因果关系,深入理解用户的感受和经历,从而生成更富同理心的响应。
摘要
本文提出了一种新的模型CARE,用于在对话生成中融入因果推理,以增强对用户感受和经历的理解。
具体来说:
- 之前的方法只考虑用户情绪与经历之间的因果关系,忽略了经历之间的因果关系,这也是理解经历的一部分。
- 这些方法独立地推理因果关系,忽略了它们之间的相互依赖性,导致因果关系检测的可靠性较低。
- 为解决上述问题,CARE提出通过条件图生成的方式,同时和相互依赖地推理所有可能的因果关系,并将其融入到对话生成中。
- 具体地,CARE使用条件变分图自编码器(CVGAE)来推理因果关系,并在解码器中采用多源注意力机制来融入这些因果关系。
- 实验结果表明,CARE在同理心对话生成任务上取得了最佳性能。
統計資料
用户情绪"impressive"是由"game"、"bowling-ball"、"custom-made"等因素引起的。
用户的兄弟"killing the game",这引起了用户的"impressive"情绪。