PoKE：基于潜变量与先验知识增强的情感支持对话模型

情感支持对话（ESC）任务可利用多种支持策略帮助人们缓解情绪困扰并克服所面临的问题，近年来受到广泛关注。然而，多数前沿工作严重依赖外部常识知识来推断每轮对话中用户的心理状态。尽管有效，长远来看它们可能面临显著的人力投入、知识更新与领域变更问题。因此，本文聚焦于在不使用任何外部知识的条件下探索该任务本身。我们发现所有现有工作均忽略了 ESC 的两个显著特征：（a）历史对话中存在丰富的先验知识，例如对相似案例的回复以及支持策略的一般顺序，这对当前对话具有极大参考价值；（b）上下文与支持策略之间存在一对多映射关系，即单一上下文对应多种合理策略。这为生成的多样性奠定了更好基础。综合考虑这两个关键因素，我们提出带潜变量的先验知识增强情感支持模型 PoKE。所提模型充分挖掘先验知识在示例与策略序列方面的潜力，进而利用潜变量对策略的一对多关系建模。此外，我们引入记忆模式将编码后的知识融入解码器。在基准数据集上的实验结果表明，我们的 PoKE 在自动评测与人工评测上均优于现有基线。与使用外部知识的模型相比，PoKE 仍能在部分指标上略有提升。进一步实验证明，丰富的先验知识有利于高质量情感支持，且良好学习的潜变量对生成的多样性至关重要。