面向咨询对话的说话人与时间感知联合上下文学习用于对话行为分类
计算与语言
2021-11-15 v1
摘要
COVID-19 疫情的爆发使人们的心理健康面临风险。在此背景下，社会心理咨询获得了显著的重要性。与通用的目标导向对话不同，患者与治疗师之间的对话虽然目标相当明确，但却相当含蓄。在这种情况下，理解患者的意图对于在治疗会话中提供有效咨询至关重要，对于对话系统而言同样如此。在这项工作中，我们为心理健康咨询自动化对话系统的发展迈出了微小但重要的一步。我们构建了一个名为 HOPE 的新数据集，为咨询对话中的对话行为分类提供平台。我们明确了此类对话的需求，并提出了十二个领域特定的对话行为（DAC）标签。我们从 YouTube 上公开可用的咨询会话视频中收集了 12.9K 条话语，提取其转录文本，进行清洗，并用 DAC 标签进行标注。此外，我们提出了 SPARTA，一种基于 transformer 的架构，具有新颖的说话人与时间感知上下文学习，用于对话行为分类。我们的评估在多个基线之上展现出令人信服的性能，在 HOPE 上达到了 SOTA。我们还通过广泛的实证与定性分析对 SPARTA 进行了补充。
引用
@article{arxiv.2111.06647,
title = {Speaker and Time-aware Joint Contextual Learning for Dialogue-act Classification in Counselling Conversations},
author = {Ganeshan Malhotra and Abdul Waheed and Aseem Srivastava and Md Shad Akhtar and Tanmoy Chakraborty},
journal= {arXiv preprint arXiv:2111.06647},
year = {2021}
}
备注
9 pages; Accepted to WSDM 2022