一键复制
在日常学习、工作或生活中，大家总少不了接触作文或者范文吧，通过文章可以把我们那些零零散散的思想，聚集在一块。大家想知道怎么样才能写一篇比较优质的范文吗？接下来小编就给大家介绍一下优秀的范文该怎么写，我们一起来看一看吧。
情感对话的论文共有几篇篇一
=>misc：首先推断用户的，然后用产生响应，基于comet（一个适应性框架，可以用来补充知识图谱，输入是主语和关系，输出是宾语，如：(s=“打盹”, r=“导致”, o=“有精力”)，comet的任务是根据s和r的输入生成o）。这里主要是利用comet（在atomic上预训练）去对对话中的event进行推理吧
数据集：esconv，这是个情感支持数据集，有八种策略
模型主要包含三部分：精神状态增强编码器、混合策略学习模块、多因素感知解码器
精神状态增强编码器：
然后，经过编码器之后变成了c,h’(s), h’(x)，分别用h’(s), h’(x)当query，c当key和value，搞个注意力，这就增强了常识性知识。
混合策略学习模块：利用c里cls处的编码训练一个分类器当策略，然后学vq-vae的方法，用d维表示了8种策略（主要是对c的处理）
多因素感知解码器：decoder的输入经过self-attention和add&norm之后得到了向量o，疯狂cross-attention（o分别和h,h(s),h(x),h(g)做cross-attention），然后相加经过一个ln得到o’，然后得到响应
总结一下就是：
主要就是结合了细粒度的状态（体现在两个event经过comic上）和混合策略（体现在对c做策略分类上），最后生成的响应更连贯，也能根据不同的策略生成更符合用户需求的响应。
情感对话的论文共有几篇篇二
走进车厢的时候，我还有点踌躇。第一次离开家，第一次要走那么远，还是不知名的远方，就这样四处游逛、漫无目的?想到这里的时候，当初的狂热和激情便消去大半，头也清醒了好多。我望着身后蓝色的星球，白云遮盖了黄色裸露的肌肤，像初生的婴儿一样娇嫩。
耳朵塞着耳塞，班得瑞的音乐像空灵的天使在脑海里飞翔，心情好了点。我苦笑，只是出去走走嘛，散散心，为什么非要矫情?
对照着车票，我走进34号房间。靠近窗户的一侧已经有人了。我有些失望，但还是就近坐下。对面是个干瘦的老头，但是岁月的洗涤却没有消磨掉他那双精明的眼睛，像只富有活力的老鼠。他静静打量着我，我没有和他搭话，一个人看向窗外。
“小伙子你是地球人?”
“呵呵，我就知道。我最欣赏地球人，谁都知道地球是发展最快、也是最有潜力的地方。”老家伙自问自答，也不管我是否有兴趣。
“你是哪儿人?”我问，也许有个人一起聊天心情会更好吧。我想起我的一个同学，喜欢下了晚自习一个人在校园里静静地走，也不愿意跟人说话。即便下了大雨，即便有人用疑问的眼光望着他，他也不在乎。我想知道他在想什么，因为失恋吗?听起来很傻。但是谁又没做过傻事呢?在青春懵懂的年纪，一些若有若无的事，或者说根本没有事。雨夜奔跑、黑夜里看星星、躺在床上听金属摇滚，对未来有些迷茫。就像我现在，因为对高考制度的失望，因为对理想的迷惘?
似乎不错，不想让人打扰，只是让自己沉浸在某种情绪里，还能写一些伤感的没头
脑的自己都看不懂的文字，不赖嘛。可关键是，你能解决问题吗?你能拿情绪来生活吗?
“我来自m78星云。”
“喂你有没有听我讲话?”老头看起来很着急，动作和表情看起来有点像个孩子。
我还没有从沉思中醒过来，或者说有点迟钝。“你是——奥特曼?”我静静打量着他，看着他有些黑线的脸，突然明白过来，感到自己有些失态。“我根本就不叫奥特曼，我是有名字的，我叫冯林格，我真是搞不懂为什么你们地球人为什么第一次见面都叫我奥特曼，奥特曼跟我很像吗?”老头喋喋不休，言语中夹杂着压抑不住的怨怒。
“抱歉。”我笑了笑，掩饰自己的失态。但是他的名字让我有种熟悉的感觉。
“尊敬的乘客，下一站我们将驶离太阳系，前往m78星云。”一个操着标准流利的世界语的甜美女声在车厢里响起。我端正好身体，列车缓缓开动。
我和老头聊得很开心，尽管他看起来有些不靠谱，聊着聊着他甚至打开随车音响，播放withintemptation乐队的哥特式摇滚，给我解释死亡金属和毁灭金属的区别。真的是，一大把年纪还这么有激情。
“我最喜欢地球人唱的歌，你们那里每个人都是音乐天才啊。”
“那也不一定，比如…我们中国人就不太会唱歌。”星际联盟里受欢迎的来自地球的乐队的确有很多，但至今还没有位来自中国的巨星，就像中国足球，即使是仗着地球上最大的人口基数。
我说这话时他的脸朝向窗外，脸色变得凝重起来，眼睛有淡淡的金光流淌。我循着他的目光向窗外看去，外面的景象令我惊讶不已。那是世间最绝美的景象，假如20xx年的地球人看到这一幕，大概会真的觉得末日来临吧。
“超新星爆发，更不幸的是，它的附近还有颗黑洞。”我说。炽热如太阳般的火球已经膨胀大到了极点，它在坍塌的一瞬间被黑洞捕获，强大的引力把火球撕裂，火球化为千万道光束旋转着跌入黑洞，与此同时，无以计数的行星也变成了碎片，其中还裹挟着一颗为蓝色的星球。
情感对话的论文共有几篇篇三
有情感原因的在线共情聊天机器人
目前的情绪感知会话模型的侧重点主要在于控制反应内容，生成特定情感的回复（ecm？），但是对同理心的关注不够=》了解能够唤起用户共情反应情绪的原因很重要=》利用咨询策略，开发了一个利用情感原因的共情聊天机器人，不仅要了解情绪，还要了解情绪背后的原因。
数据有两部分，一部分是empatheticdialogues数据集的8000条数据，另一部分是小爱的真实对话数据共8000个。
x-emac：数据集，首先给用户的查询标记情感，然后编写模板询问情感产生的原因，得到了用户响应之后就得到了带有标注情感原因信息的对话数据集。
emma，检测用户情绪类别，并识别情绪的原因，如果没有就引导用户进行表达。然后，根据历史对话、检测到的情绪类别和原因给出共情响应。
具体来说，如图所示，对于输入的对话，首先对对话进行情感识别和原因识别（联合训练）（那不就是情感原因对任务吗，同时抽取对话中的情感和原因），然后用gpt做生成，说话者的信息也被放到query里了，包括上下文的信息（如果有的话），形如： [cls][speaker1] q1 [speaker2] r1 [speaker1] q2 [sep] label [sep] hascause [sep] cause [sep]。
总结一下就是：用了小爱的真实对话语料和别的一个数据集，一共约16000条数据，得到了一个包含情感原因标注（人工）的多轮对话数据集。设计了上图的模型，先是联合任务学习情感识别和原因识别，然后用gpt，以上文、query、情感、原因当作输入，得到共情的输出。
