Personality-affected Emotion Generation in Dialog Systems

生成适当的情感响应对话系统来提供类似于人类交互的体验在各种应用场景中至关重要。大多数以前的对话系统尝试通过从匿名对话数据中学习共情方式来实现这一目标。然而，由这些方法生成的情感响应可能是不一致的，这将降低用户参与度和服务质量。心理学研究表明，人类的情感表达根植于人格特质。因此，我们提出了一个新的任务，即基于人格特质生成情感，以生成基于对话系统给定的人格特质的情感，并进一步通过人格特质影响的情绪转换来研究解决方案。具体而言，我们首先构建了一个日常对话数据集，名为人格情感对话数据集（PELD），其中包含情感和人格特质注释。随后，我们分析了这项任务中的挑战，即（1）异构地整合人格特质和情感因素以及（2）在对话上下文中提取多粒度情感信息。最后，我们建议通过模拟对话系统中的情绪转换过程，将人格特质建模为转换权重，并解决上述挑战。我们在PELD上进行了广泛的实验以进行评估。结果表明，采用我们的方法，与BERT-base模型相比，情感生成性能在宏F1和加权F1方面提高了13％和5％。

本论文试图解决在对话系统中生成情感回复时的一致性问题，提出了一种新的方法，即基于个性化情感生成，通过模拟对话系统中的情绪转移过程来生成回复。

论文的关键思路是将个性作为情感生成中的转移权重，通过模拟情绪转移过程来生成回复。相比之前的方法，这种方法更加个性化，可以提高情感生成的性能。

论文构建了一个带有情感和个性注释的对话数据集PELD，并提出了一种基于个性化情感生成的方法。实验结果表明，该方法相比BERT-base模型在宏F1和加权F1上分别提高了13%和5%的性能。值得关注的是，PELD数据集已经开源。

在相关研究方面，最近的研究主要集中在基于匿名对话数据学习共情礼仪的方法上，但这些方法生成的情感回复可能不够一致。