CARE：基于条件图生成的共情回应因果推理

近期共情回应生成方法引入情绪因果以增强对用户感受与经历的理解。然而，这些方法存在两个关键问题。第一，它们仅考虑用户情绪与用户经历之间的因果，而忽略了用户经历之间的因果。第二，它们忽视因果之间的相互依赖并独立推理。为解决上述问题，我们希望在给定用户情绪、对话历史与未来对话内容的情况下，相互依赖且同时地推理所有合理因果。随后，我们将这些因果注入回应生成以产生共情回应。具体而言，我们设计了一个新模型，即条件变分图自编码器（CVGAE），用于因果推理，并在解码器中采用多源注意力机制以实现因果注入。我们将整体框架命名为 CARE，意为共情对话的因果推理（CAusality Reasoning for Empathetic conversation）。实验结果表明，我们的方法取得了最先进的性能。