基于图卷积网络的知识感知对话偏离预测
计算与语言
2024-09-10 v2 机器学习
摘要
在线对话尤其容易发生偏离现象，这种偏离现象可以表现为有害的沟通模式，包括不尊重的评论和滥用行为。预测对话偏离能够提前识别偏离的迹象，从而实现对话的主动监管。当前用于对话偏离预测的方法是顺序编码对话，并使用图神经网络来建模对话用户之间的动态关系。然而，现有的图模型无法捕捉复杂的对话特征，如上下文传播和情感变化。利用常识知识能够帮助模型捕捉这些特征，从而提升性能。本文基于此方法，从对话上下文信息的知识库中导出常识陈述，以丰富图神经网络分类架构。我们将话语中的多源信息融合到胶囊模块中，由基于转换器的预测器用于预测对话偏离。我们的模型捕捉到了对话的动态性和上下文传播，在CGA和CMV基准数据集上超越了当前的前沿模型。
引用
@article{arxiv.2408.13440,
title = {Knowledge-Aware Conversation Derailment Forecasting Using Graph Convolutional Networks},
author = {Enas Altarawneh and Ameeta Agrawal and Michael Jenkin and Manos Papagelis},
journal= {arXiv preprint arXiv:2408.13440},
year = {2024}
}
备注
arXiv admin note: substantial text overlap with arXiv:2306.12982; text overlap with arXiv:2106.01071 by other authors