对话系统中人格影响的情感生成

为响应生成适当的情感对于对话系统在各种应用场景中提供类人交互至关重要。以往大多数对话系统试图通过从匿名对话数据中学习共情方式来实现这一目标。然而，这些方法生成的情感响应可能不一致，从而降低用户参与度和服务质量。心理学发现表明，人类的情感表达根植于人格特质。因此，我们提出一个新任务——人格影响的情感生成，即基于赋予对话系统的人格来生成情感，并进一步通过人格影响的情绪转换来研究解决方案。具体而言，我们首先构建了一个日常对话数据集Personality EmotionLines Dataset (PELD)，包含情感和人格标注。随后，我们分析了该任务中的挑战，即(1)异质地整合人格与情感因素，以及(2)提取对话上下文中的多粒度情感信息。最后，我们提出通过模拟对话系统中的情绪转换过程，将人格建模为转换权重，并解决了上述挑战。我们在PELD上进行了大量实验以进行评估。结果表明，采用我们的方法后，基于BERT-base模型的情感生成性能在macro-F1上提升了13%，在weighted-F1上提升了5%。