اكتسبت Chatbots Social Chatbots شعبية هائلة، وجاذبيتها لا تكمن فقط في قدرتها على الاستجابة للطلبات المتنوعة من المستخدمين، ولكن أيضا في القدرة على تطوير اتصال عاطفي مع المستخدمين. لتعزيز وتعزيز Chatbots الاجتماعي، نحتاج إلى التركيز على زيادة تفاعل المستخدم وتأخذ في الاعتبار كل من الحاصل الفكري والعاطفي في وكلاء المحادثة. لذلك، في هذا العمل، نقترح مهمة المعنويات تدرك العاطفة التي تسيطر عليها توليد الحوار الشخصية التي تمنح الجهاز القدرة على الاستجابة عاطفيا ووفقا لشخصية المستخدم. نظرا لأن المشاعر والعواطف مرتبطة بدرجة كبيرة، نستخدم معرفة المشاعر بالكلام السابق لتوليد الاستجابة العاطفية الصحيحة وفقا لشخص المستخدم. نقوم بتصميم إطار توليد حوار يستند إلى المحولات، ينشئ الردود الحساسة لعاطفة المستخدم ويتوافق مع الشخصية والشاعر أيضا. علاوة على ذلك، يتم تشفير معلومات الشخصية من قبل تشفير محول مختلف، إلى جانب تاريخ الحوار، يتم تغذيةها إلى وحدة فك الترميز لتوليد الاستجابات. ناهز DataSet PersonAchat مع معلومات المشاعر لتحسين جودة الاستجابة. تظهر النتائج التجريبية على DataStet Personachat أن الإطار المقترح يتفوق بشكل كبير على خطوط الأساس الحالية، مما يولد ردود عاطفية شخصية وفقا للمشاعر التي توفر اتصال عاطفي أفضل ورضا المستخدمين كما هو مطلوب في chatbot الاجتماعي.
Social chatbots have gained immense popularity, and their appeal lies not just in their capacity to respond to the diverse requests from users, but also in the ability to develop an emotional connection with users. To further develop and promote social chatbots, we need to concentrate on increasing user interaction and take into account both the intellectual and emotional quotient in the conversational agents. Therefore, in this work, we propose the task of sentiment aware emotion controlled personalized dialogue generation giving the machine the capability to respond emotionally and in accordance with the persona of the user. As sentiment and emotions are highly co-related, we use the sentiment knowledge of the previous utterance to generate the correct emotional response in accordance with the user persona. We design a Transformer based Dialogue Generation framework, that generates responses that are sensitive to the emotion of the user and corresponds to the persona and sentiment as well. Moreover, the persona information is encoded by a different Transformer encoder, along with the dialogue history, is fed to the decoder for generating responses. We annotate the PersonaChat dataset with sentiment information to improve the response quality. Experimental results on the PersonaChat dataset show that the proposed framework significantly outperforms the existing baselines, thereby generating personalized emotional responses in accordance with the sentiment that provides better emotional connection and user satisfaction as desired in a social chatbot.
References used
https://aclanthology.org/
We rely on arguments in our daily lives to deliver our opinions and base them on evidence, making them more convincing in turn. However, finding and formulating arguments can be challenging. In this work, we present the Arg-CTRL - a language model fo
For a computer to naturally interact with a human, it needs to be human-like. In this paper, we propose a neural response generation model with multi-task learning of generation and classification, focusing on emotion. Our model based on BART (Lewis
Current approaches to empathetic response generation focus on learning a model to predict an emotion label and generate a response based on this label and have achieved promising results. However, the emotion cause, an essential factor for empathetic
Personalized response generation is essential for more human-like conversations. However, how to model user personalization information with no explicit user persona descriptions or demographics still remains under-investigated. To tackle the data sp
Existing text style transfer (TST) methods rely on style classifiers to disentangle the text's content and style attributes for text style transfer. While the style classifier plays a critical role in existing TST methods, there is no known investiga