通过细粒度评价条件实现事件描述的情感自然语言生成
计算与语言
2023-07-27 v1
摘要
情感文本生成模型已取得显著进展,但它们通常仅依赖基本情绪理论或效价/唤醒度值作为条件。这在目标是生成显式情绪陈述(如“孩子很开心”)时是合适的。然而,情绪通常以隐式方式传达。例如,对某事件的情感解读(如“他们的狗死了”)往往不需要显式情绪陈述。在心理学中,评价理论解释了事件的认知评估与潜在发展情绪之间的联系,其将情境评估置于核心,例如关于自身控制或事件责任。我们提出并随后验证了将评价变量作为条件纳入生成框架具有两方面优势:(1) 生成模型更详细地获知何种因素构成特定情绪及其属性,从而生成更贴合条件的文本;(2) 评价变量使用户能够通过陈述情境属性而非仅提供情绪类别,对生成文本进行更细粒度控制。我们基于 Bart 与 T5 的实验采用 7 种情绪(愤怒、厌恶、恐惧、内疚、喜悦、悲伤、羞耻)与 7 种评价(注意、责任、控制、情境、愉悦度、努力、确定性),表明(1) 训练中加入评价将生成文本的准确率达 F1 提升 10 个百分点;此外,(2) 含评价变量的文本更长且包含更多细节,这体现了对用户更强的控制力。
引用
@article{arxiv.2307.14004,
title = {Affective Natural Language Generation of Event Descriptions through Fine-grained Appraisal Conditions},
author = {Yarik Menchaca Resendiz and Roman Klinger},
journal= {arXiv preprint arXiv:2307.14004},
year = {2023}
}
备注
Accepted to INLG 2023