《论文阅读》Multi-Task Learning of Generation and Classification for Emotion-Aware Dialogue Response Generation
出版: NAACL-HLT
时间:2021
类型:情感识别+回复生成
特点:多种情感粒度损失叠加+加权损失
作者:Tatsuya Ide and Daisuke Kawahara
第一作者机构:Waseda University
简介
为了让计算机自然地与人类交互,它需要像人类一样。在本文中,我们提出了一种神经反应生成模型,该模型具有生成和分类的多任务学习,侧重于情感。我们的模型基于 BART (Lewis et al., 2020),一种预训练的 Transformer 编码器解码器模型,经过训练可以同时生成响应和识别情绪。此外,我们对任务的损失进行加权以控制参数的更新。自动评估和众包手动评估表明,所提出的模型使生成的响应更具情感意识。
模型构架
The input/output format of each task is the same as that in BART. In the generation task, we put an utterance and a right-shifted response into the encoder and decoder, respectively. In the classification task,