论文阅读 ESConv

发表于 更新于 分类于

Title: Towards Emotional Support Dialog Systems

论文速览

  • Abstract
    • 本文关注于情感支持对话，提供了一个带策略的情绪支持数据集
  • Introduction
    • 情感支持应用广泛
    • 情绪支持数据集应该包括exploration、understand、suggestion三个过程，还包括有用户的情绪强度变化
    • 目前的研究模型中没有具体有效的情绪支持方法；采集数据集时需要训练有素的支持者
    • ESC框架：三个阶段，多种策略；众包做数据集；在情绪支持方面有提升
  • Related Work
    • 移情、同感对话
    • 情绪支持的数据集
    • 情绪支持对话
      • 任务定义
      • ESC框架
        • 三个阶段：探索、理解、建议
        • 八种策略
  • Data Collection
    • 获取数据集的方法
  • Data Characteristics
    • 数据展示
  • Experiments
    • 基准模型：BlenderBot、DialoGPT
    • 模型变种：不带策略：Vanilla；带策略：Random、Joint、Oracle
    • 评估指标：PPL、B-2、R-L、Extrema
    • 实验结果：
      • 带策略的Oracle优于不带策略的Vanilla
      • 带策略的Oracle稍微弱于不带策略的Vanilla，因为一旦策略预测错误，respond会完全不同
      • BlenderBot 变体始终比 DialoGPT 变体表现更好
    • 人类互动评价结果：
      • 微调后ES能力提升
      • 带策略微调后能更加适合用户需求
      • 正确的策略更重要
  • Conclusion
    • 三个阶段、多种策略、ESConv
    • 道德评估

解决了什么问题

  1. 目前的对话系统没有针对情感支持的任务和语料库，因此ESC方向还没有被探索到，对话场景中缺乏情感支持。
  2. 情感支持（ES）旨在减少个人的情绪困扰，帮助他们理解和应对所面临的挑战。目前的模型大都只能表示共情而不能解决问题。
  3. 通过社交而不是专业咨询的方式提供情感支持。

怎么解决的/该方法的优势

  1. 基于Hill的帮助技能理论，提出了ESC框架
    1. 情感支持过程
      1. 理解遇到的困难，exploration
      2. 表达理解和同情，insight/comforting
      3. 提出解决问题的方法，action
  2. 构建ESConv数据集，有丰富的注释（支持策略）
    1. 每个聊天会都会标记：
      1. 问题类别
      2. 用户情绪类别
      3. 用户情绪强度
      4. 遇到困难的简介
  3. ESC系统
    1. 选择支持策略，生成策略约束Respond
    2. 情绪状态建模，跟踪用户情绪变化【待分析】
    3. 提出了评估ES实验效果的新方法

有什么创新点

实验结果好在哪里，怎么证明的

相关工作分析

  1. 表达情感
    1. ECM：情感对话，可以生成情感反应。有情商而不只是智商
    2. ES：有情绪支持的能力，可以减少用户情绪困扰
  2. 共情能力
    1. 反应出同情心，不能做情绪支持
  3. 数据集
    1. 数据集中的对话短，不适合ES任务
  4. ESC系统
    1. 大多研究都人为预先规定好的规则和回复词典

可以提升的地方