《论文阅读》E-CORE：情感相关性增强的移情对话生成 EMNLP 2023

最新推荐文章于 2024-11-12 19:08:30 发布
最新推荐文章于 2024-11-12 19:08:30 发布
阅读量289 收藏
点赞数 1
分类专栏： 情感对话 文章标签： 论文阅读 共情回复生成 情绪相关性 图网络 情绪独立假设
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_44833392/article/details/136701800
版权
情感对话 专栏收录该内容
72 篇文章 63 订阅 ¥29.90 ¥99.00
订阅专栏
本文介绍了EMNLP 2023上的论文《E-CORE: Emotion Correlation Enhanced Empathetic Dialogue Generation》，该论文挑战了情绪独立假设，通过图网络捕捉情绪间的关联，用于共情对话生成。模型包含word和emotion节点，以及interacted和correlated连接，以增强情感相关性。尽管存在复杂性和潜在的噪声问题，但该工作为提高回复质量提供了新视角。
摘要由CSDN通过智能技术生成

《论文阅读》E-CORE：情感相关性增强的移情对话生成 EMNLP 2023

前言

亲身阅读感受分享，细节画图解释，再也不用担心看不懂论文啦~
无抄袭，无复制，纯手工敲击键盘~

今天为大家带来的是《E-CORE: Emotion Correlation Enhanced Empathetic Dialogue Generation》

在这里插入图片描述

出版：EMNLP

时间：2023

类型：共情回复生成

关键词：对话共情回复，回复生成，情感关联

作者：Fengyi Fu, Lei Zhang, Quan Wang, Zhendong Mao

第一作者机构：University of Science and Technology of China

摘要

作者的主要出发点在于：

1）

了解本专栏 订阅专栏 解锁全文
365JHWZGo
关注
专栏目录
订阅专栏
《论文阅读》利用情感语义关联生成同情回复 EMNLP 2023
MyHeartWillGoOn
04-08 445
亲身阅读感受分享，细节画图解释，再也不用担心看不懂论文啦~无抄袭，无复制，纯手工敲击键盘~今天为大家带来的是《Exploiting Emotion-Semantic Correlations for Empathetic Response Generation》出版：时间： 2023类型：共情回复生成特点：情绪语义关联；共情；回复生成作者：Zhou Yang, Zhaochun Ren。
《论文列表》情感对话论文持续更新中......
MyHeartWillGoOn
02-11 1644
你是否也对于理解论文存在困惑？你是否也像我之前搜索论文解读，得到只是中文翻译的解读后感到失望？亲身阅读感受分享，细节画图解释，再也不用担心看不懂论文啦~无抄袭，无复制，纯手工敲击键盘~下面是这个专栏所有文章的分类，下面来一起进行学习吧！
Empathy-Mental-Health:包含代码和数据集访问说明的存储库，该代码和EMNLP 2020关于基于文本的心理健康支持中的移情的论文
05-19
基于文本的心理健康支持中的移情 该存储库包含有关理解基于文本的心理健康支持中表达的同理心的代码和数据集访问说明。 如果此代码或数据集可以帮助您进行研究，请引用以下出版物： @inproceedings{sharma2020empathy, title={A Computational Approach to Understanding Empathy Expressed in Text-Based Mental Health Support}, author={Sharma, Ashish and Miner, Adam S and Atkins, David C and Althoff, Tim}, year={2020}, booktitle={EMNLP} } 介绍 我们提出了一种计算方法来理解在线心理健康平台中如何表达同情心。 我们开发了一种新颖
论文阅读--Emotion Recognition in Conversation: Research Challenges, Datasets, and Recent Advances
qishengmoming的博客
01-16 1344
Emotion Recognition in Conversation: Research Challenges， Datasets， and Recent Advances–会话中的情感识别：研究挑战，数据集和最新进展 Soujanya Poria, Navonil Majumder, Rada Mihalcea, Eduard H. Hovy: Emotion Recognition in Conversation: Research Challenges, Datasets, and Recent A
NLP论文阅读记录-EMNLP 2023 | 10 Enhancing Biomedical Lay Summarisation with External Knowledge Graphs
yuyuyu_xxx的博客
12-14 995
利用外部知识图增强生物医学外行总结（2310）codepaper以前的自动外行摘要方法完全依赖于源文章，因为它是为技术受众（例如研究人员）编写的，不太可能明确定义所有技术概念或陈述与外行相关的所有背景信息观众。我们通过使用特定于文章的知识图来增强 eLife（现有的生物医学外行总结数据集）来解决这个问题，每个知识图都包含相关生物医学概念的详细信息。使用自动评估和人工评估，我们系统地研究了将知识图合并到外行摘要模型中的三种不同方法的有效性，每种方法都针对编码器-解码器模型架构的不同区域。
NLP论文阅读记录-EMNLP 2023 | 01 Improving Summarization with Human Edits
yuyuyu_xxx的博客
12-12 992
通过人工编辑改进摘要codepaper最近的工作表明，利用人类反馈范式进行学习可以产生人类决定的高质量文本。现有的工作使用人类反馈来训练通用领域抽象摘要中的大型语言模型（LLM），并获得了超过传统似然训练的摘要质量。在本文中，我们重点关注一种较少探索的人类反馈形式——人类编辑。我们提出了序列比对（非）似然训练（SALT），这是一种在训练循环中同时使用人工编辑和模型生成的数据的新技术。
NLP论文阅读记录-EMNLP2023|05 QTSUMM: Query-Focused Summarization over Tabular Data
yuyuyu_xxx的博客
12-13 912
在这里插入图片描述通过人工编辑改进摘要（2305）codepaper人们主要查阅表格来进行数据分析或回答特定问题。文本生成系统可以根据用户的信息需求提供准确的表格摘要，可以促进更有效地访问相关数据见解。受此启发，我们定义了一个新的以查询为中心的表摘要任务，其中文本生成模型必须对给定的表执行类似人类的推理和分析，以生成定制的摘要。我们为此任务引入了一个名为 QTSUMM 的新基准，其中包含 2,934 个表中的 7,111 个人工注释的查询摘要对，涵盖不同的主题。
【论文阅读笔记|EMNLP2023】DemoSG: Demonstration-enhanced Schema-guided Generation for Low-resource Event Ext
@
01-04 1488
当前大多数事件抽取（EE）方法都专注于高资源场景，这需要大量的带注释数据，难以应用于低资源领域。为了更有效地应对有限资源下的EE问题，我们提出了增强演示引导生成（DemoSG）模型，它从两个方面为低资源EE提供了帮助：首先，我们提出了基于演示的EE学习范式，充分利用带注释的数据，将其转化为演示来展示提取过程，并帮助模型有效学习。其次，我们将EE作为一个由基于模式的提示引导的自然语言生成任务来进行建模，从而利用标签语义并促进低资源场景中的知识转移。
NLP论文阅读记录-EMNLP 2023 | 03 Citance-Contextualized Summarization of Scientific Papers
yuyuyu_xxx的博客
12-12 1125
科学论文的引用语境摘要 （2311）codepaper当前科学论文自动摘要的方法以摘要的形式生成信息丰富的摘要。然而，摘要并不旨在显示论文与其中引用的参考文献之间的关系。我们提出了一种新的情境化摘要方法，可以根据包含参考文献引用（所谓的“引用”）的给定句子生成内容丰富的摘要。此摘要概述了与引用位置相关的被引用论文的内容。因此，我们的方法提取论文的引用并对其进行建模，从引用的论文中检索相关段落，并生成针对每个引用的抽象摘要。
NLP论文阅读记录-EMNLP 2023 | 02 Improving Biomedical Abstractive Summarisation with Knowledge Aggregation
yuyuyu_xxx的博客
12-12 1038
通过引文论文的知识聚合改进生物医学抽象总结 （2310）codepaper来自生物医学文献的摘要具有明显的特定领域特征，包括专门的写作风格和生物医学术语，这需要对相关文献的深入理解。因此，由于缺乏特定领域的背景知识，现有的语言模型很难生成与生物医学专家生成的技术摘要相媲美的技术摘要。本文旨在通过聚合源文章中引用的外部论文的知识来提高生物医学抽象概括中语言模型的性能。
Position-Aware-Tagging-for-ASTE:EMNLP 2020论文“面向方面情感三元组提取的位置感知标记”的代码和模型
05-22
[EMNLP 2020] 任务描述 方面情感三元组提取（ASTE）是提取目标实体的三元组，它们的相关情感以及解释该情感原因的观点跨度的任务。 （Peng et al。，2020）在AAAI 2020中发表的论文中首次提出了这一任务，该论文 ...
[EMNLP 2023演示]Video- llama:用于视频理解的指令调谐视听语言模型
02-06
【标题】"Video-llama: 用于视频理解的指令调谐视听语言模型"是EMNLP 2023演示中的一个创新项目，它聚焦于提升机器在视频理解方面的性能，通过指令调谐视听语言模型来实现这一目标。这个模型结合了视觉信息和语音...
点云论文阅读-1-pointnet++
weixin_43899239的博客
11-12 258
pointnet局限性：不能获取局部结构信息作者提出pointnet++如何确定球的尺寸，类似于如何确定CNN的卷积核尺寸。利用了多尺度邻域以同时实现鲁棒性和细节获取。
【论文笔记】Wings: Learning Multimodal LLMs without Text-only Forgetting
小嗷犬的博客
11-09 1051
多模态大型语言模型（MLLMs）以训练好的LLM为基础，首先将图像与文本对齐，然后对多模态混合输入进行微调。然而，MLLM在灾难性地忘记了仅包含文本的指令，这些指令不包括图像，可以在初始LLM中解决。在本文中，我们提出了WINGS，这是一种新型的MLLM，在纯文本对话和多模态理解方面都表现出色。分析MLLM在多模态指令中的注意力发现，纯文本遗忘与从预图像文本到后图像文本的注意力转移有关。据此，我们构建了额外的模块，作为增强学习器来补偿注意力转移。
【论文阅读】医学SAM适配器：适应医学图像分割的任意分割模型
川川自溢的博客
11-11 862
【论文阅读】医学SAM适配器：适应医学图像分割的任意分割模型
论文阅读《机器人状态估计中的李群》
YMWM_的博客
11-09 905
李群是一个古老的数学抽象对象，可以追溯到19世纪，当时数学家 Sophus Lie奠定了连续变换群理论的基础。多年后，它的影响已经蔓延到科学和技术的各个领域。在机器人领域，我们最近正在经历一个重要的趋势，至少在估计领域，特别是在导航的运动估计方面。然而，对于绝大多数机器人专家来说，李群是高度抽象的结构，因此难以理解和使用。在机器人估计技术中，通常不需要充分利用李群理论的能力，因此需要努力选择合适的阅读材料。在本文中，我们将通过李理论的最基本原理，目的是传达清晰和有用的想法，并留下一个重要的李理论语料库。
论文阅读分享：基于弱监督的病理图像腺体分割
tjl521314_21的博客
11-11 218
● 弱监督学习可以在较少标注的情况下，生成像素级分割，适用于处理复杂的病理图像分割任务。因此，弱监督学习成为一种有效的替代方案，通过图像级标签实现分割，减少标注成本。● 伪掩码去噪与分割优化：为应对病理图像结构不规则、对比度低等问题，提出动态加权损失，以过滤伪掩码中的噪音，提高分割精度。● 随着深度学习在医学图像分割中的广泛应用，全监督学习虽然取得了优异表现，但由于需要大量像素级标注，应用受到限制。● 本研究进一步优化了伪掩码生成，通过重构模块增强图像的局部激活，以提高分割质量。弱监督学习的优势与方法。
【论文阅读】小样本学习相关研究
Glass_Gun的博客
11-11 644
不可靠的经验风险最小化器是FSL的核心问题。基于先验知识如何处理核心问题，可以将FSL分为三个角度：数据使用先验知识来增强监督经验，模型通过先验知识约束假设空间，算法使用先验知识改变对假设空间中最佳假设参数的搜索。这篇小样本学习综述论文从Data、Model、Algorithm三个方面介绍了现有的小样本学习领域内的方法，以数学的形式具体解释了小样本学习中的困难点。
论文阅读《BEVFormer v2》
最新发布
YMWM_的博客
11-12 296
我们提出了一种具有透视监督的新型鸟瞰图（BEV）检测器，其收敛速度更快并且更适合现代图像主干。现有的最先进的BEV检测器通常与某些深度预训练主干网络（如VoVNet）相关联，从而阻碍了蓬勃发展的图像主干网络和BEV检测器之间的协同作用。为了解决这一限制，我们优先通过引入透视图监督来简化BEV检测器的优化。为此，我们提出了一个两阶段BEV检测器，其中来自透视头的提议被输入到鸟瞰头中进行最终预测。为了评估我们模型的有效性，我们进行了广泛的消融研究，重点关注监督形式和所提出的检测器的通用性。
sentence-bert: sentence embeddings using siamese bert-networks emnlp
04-30
Sentence-BERT（双塔BERT网络）是一种使用BERT网络生成句子嵌入的方法。 该技术在自然语言处理领域中具有广泛的应用，并且与传统的词向量相比，它提供了更丰富和有趣的语义信息。 在这个技术中，双塔BERT网络被用来生成两个句子之间的相似性分数，这对于许多任务都非常有用。常见的应用包括文本相似度、信息检索和自然语言推理等。接着，我们需要将这个分数转换成一个向量，通过这个向量可以减少噪音，强化特征的相似性. 同时，这个向量可以被用来评估两个句子之间的相似性。 Sentence-BERT可以用于在许多领域进行嵌入学习，例如推荐系统、机器翻译、信息抽取和事实验证等。 此外，这种方法可在文本的特定领域中预先训练句子嵌入，从而在特定任务上提供更好的表现。 总之，Sentence-BERT是一种非常有用的技术，可以从不同角度对文本进行分析，并提供了许多在信息检索、自然语言理解和情感分析等领域中有用的功能。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

365JHWZGo

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值