情感流语言模型用于情感支持对话
计算与语言
2026-04-30 v2 人工智能
摘要
大型语言模型（LLM）已广泛应用于情感支持对话（ESC）。然而，复杂的多轮支持仍具有挑战性。这是因为现有的对齐方案依赖稀疏的结果级信号，为中间策略决策提供的监督有限。为填补这一空白，本文提出情感流语言模型用于情感支持对话（AFlow），一种引入对话前缀细粒度监督、沿多轮轨迹建模连续情感流的框架。AFlow 可以估计搜索轨迹上的中间效用，并学习符合偏好的策略转换。为提高策略连贯性和同情心响应质量，本文提出次路径级流平衡目标，用于将偏好信号传递到中间状态。实验结果表明，在多样化情感情境中，AFlow 在与竞争性基线上实现持续且显著的改进。值得注意的是，AFlow 采用紧凑开源底层模型，在主要 ESC 指标上甚至超过了专有 LMM 如 GPT-4o 和 Claude-3.5。我们的代码已公开于 https://github.com/chz2025/AffectiveFlow。
引用
@article{arxiv.2602.08826,
title = {Affective Flow Language Model for Emotional Support Conversation},
author = {Chenghui Zou and Ning Wang and Tiesunlong Shen and Luwei Xiao and Chuan Ma and Xiangpeng Li and Rui Mao and Erik Cambria},
journal= {arXiv preprint arXiv:2602.08826},
year = {2026}
}
备注
19 pages, 7 figures