ASEM：通过基于注意力的情感与情绪建模增强聊天机器人共情能力

有效的特征表示在提升依赖深度神经网络的文本生成模型性能中起着关键作用。然而，当前方法存在若干缺陷，例如无法捕捉语言的深层语义以及对微小输入变化敏感，导致生成文本发生显著变化。在本文中，我们提出了一种新颖的解决方案来应对这些挑战，采用专家混合（多个编码器）来提供对用户话语情感状态的不同视角，同时提升性能。我们提出了一种端到端的模型架构ASEM，该架构在开放域聊天机器人的情感分析之上进行情绪分析，从而能够生成流畅且相关的共情回应。与传统注意力机制不同，所提出的模型采用了一种专门的注意力策略，独特地聚焦于用户话语中的情感和情绪细微差别。这确保了生成针对文本潜在情绪基调和情感复杂性的上下文丰富表示。我们的方法在生成共情嵌入方面优于现有方法，提供了共情且多样化的回应。所提出模型的性能显著超过现有模型，情绪检测准确率提高了6.2%，词汇多样性提高了1.4%。