情感RAG：通过情感检索增强角色扮演智能体

随着大语言模型展现出高度类人的能力，越来越多的关注被投入到角色扮演研究领域，在这些领域中，LLM生成的回复被期望模仿人类的回答。这推动了角色扮演智能体在各类应用中的探索，例如能与用户进行自然对话的聊天机器人，以及能提供个性化支持和指导的虚拟助手。角色扮演任务中的关键因素是有效利用角色记忆，后者存储角色的档案、经历和历史对话。检索增强生成（Retrieval Augmented Generation, RAG）技术被用于访问相关记忆，以增强角色扮演智能体的回复生成。大多数现有研究基于记忆的语义相似性检索相关信息以维持角色的个性化特征，很少有尝试将情感因素纳入LLM的检索增强生成（RAG）中。受心境依赖记忆（Mood-Dependent Memory）理论的启发——该理论表明，如果人们在回忆时以某种方式重新激活学习时所经历的原初情绪，则能更好地回忆事件——我们提出了一种新颖的情感感知记忆检索框架，称为情感RAG（Emotional RAG），它在角色扮演智能体中结合情感状态来回忆相关记忆。具体而言，我们设计了两种检索策略，即组合策略和顺序策略，以在检索过程中同时纳入记忆语义和情感状态。在三个代表性角色扮演数据集上的大量实验表明，我们的情感RAG框架在维持角色扮演智能体个性方面优于未考虑情感因素的方法。这为进一步加强心理学中的心境依赖记忆理论提供了证据。