Persona Extraction Through Semantic Similarity for Emotional Support Conversation Generation

在当今世界上，通过对话系统提供情感支持在许多对话场景中变得越来越重要，因为它可以支持心理健康和社交互动。以前的研究表明，使用人设对于生成共情和支持性回应是有效的。它们通常依赖于预先提供的人设而不是在对话期间推断。然而，在对话开始之前并不总是可能获得用户的人设。为了解决这个挑战，我们提出了PESS（通过语义相似性提取人设），这是一个新颖的框架，可以自动从对话中推断出信息丰富且一致的人设。我们设计了基于语义相似度得分的完整性损失和一致性损失。完整性损失鼓励模型生成缺失的人设信息，而一致性损失指导模型区分一致和不一致的人设。我们的实验结果表明，PESS推断出的高质量人设信息在生成情感支持性回应方面是有效的。

论文旨在解决在对话系统中提供情感支持的问题。具体而言，如何在对话开始之前自动推断用户的个性特征，以生成更具共情性的回复。

PESS（Persona Extraction through Semantic Similarity）是一种新的框架，可以从对话中自动推断出用户的个性特征。该框架使用基于语义相似度的完整性损失和一致性损失来指导模型生成完整和一致的个性特征信息。

论文的实验结果表明，PESS可以生成高质量的个性特征信息，从而生成更具共情性的回复。实验使用了多个数据集，并且开源了代码。此外，论文还探讨了一些值得深入研究的方向，例如如何在多轮对话中推断个性特征。

最近的相关研究包括使用预定义个性特征生成回复的方法，以及使用对话历史记录推断个性特征的方法。例如，Li等人在《Personalizing Dialogue Agents: I have a dog, do you have pets too?》中提出了一种基于用户自我介绍的方法来推断个性特征。