【三】情感对话 MISC: A MIxed Strategy-Aware Model Integrating COMET for Emotional Support Conversation 论文阅读

【三】情感支撑对话论文最近进展 Emotion Support Conversation

今天给大家介绍一下MISC: A MIxed Strategy-Aware Model Integrating COMET for Emotional Support Conversation 这篇由人大团队发表在2022 ACL的工作。

相关情感支撑论文综述整理指路 -> 点这里

这篇文章相比2022 IJCAI 的GLHG来说，主要的区别是在于引进了策略预测的信息，利用混合策略来帮助恢复生成。

主要分成以下几个部分进行介绍：

• 研究背景
• 混合策略学习网络
• 模型结构
• 实验结果

研究背景

论文中关注的是情感支持对话，情感支持对话发生在寻求者和支持者之间，支持者的目的是随着对话的进行逐渐减少寻求者的焦虑。

• 已有的关于情感聊天的研究通过对话级的情感标签来预测用户的情感，对话内容是粗粒度和静态的。然而，情感是复杂的，用户的情感强度会在对话的发展过程中发生变化。因此，有必要在每一次说话时都说出寻求者的细微心理状态。
• 其次，大多数共情聊天机器人都经过训练，能够根据预测的粗粒度情绪类别做出情绪回复，而不考虑如何应对寻求者的情绪问题。

混合策略学习网络

Comet
针对第一个问题，作者通过预训练的常识推理生成模型COMET，设计一种注意力机制，有选择地用COMET知识元组来理解细粒度情感。

针对第二个问题，作者在生成共情回复时也考虑回复策略。作者不将回复策略建模为一个独热编码，而是将其表示为策略集上的概率分布，并使用混合策略指导回复生成。

模型结构

其中S表示情境信息，X表示当前轮对话的信息，C表示对话历史，g表示策略信息。

通过上下文信息预测一个混合的策略分布，并且把该策略分布、对话情境信息、当前轮的对话信息和解码端进行 attention交互来输出最终的回复。

实验结果

CASE STUDY

策略可视化分布

混合策略的可视化实验以及TOP-K acc 策略预测实验

总结

这篇文章的一个创新点其实就在于说一个句子可能是有不同的策略所构成的，所以在进行回复的时候需要考虑混合的策略。

但是比较令我奇怪的一个地方，就是作者再进行优化的时候，其实还是用one-hot的标签是进行优化的，因此是否能够准确地学习到多策略的这种情况任然值得改进，以及attention机制也有很大的改进空间。或许这可以成为未来的研究方向之一。

靠在座的各位了！抱拳！

相关论文整理指路 -> 点这里

更多有趣MRC文章见：利用逆向思维的机器阅读理解。
相关文献
Bi-directional Cognitive Thinking Network for Machine Reading Comprehension 论文阅读
证据推理网络。
Hybrid Curriculum Learning for Emotion Recognition in Conversation
BERT用于文本分类方法