ValueNet：面向人类价值驱动对话系统的新数据集

构建具有社会智能的代理面临诸多挑战，其中之一是教导代理像人类一样在其价值引导下说话。然而，在对话系统领域，价值驱动的聊天机器人仍研究不足。大多数现有数据集侧重于常识推理或社会规范建模。在本工作中，我们提出一个名为 ValueNet 的新型大规模人类价值数据集，包含对 21,374 个文本场景的人类态度。该数据集按符合跨文化研究中基本人类价值理论的十个维度组织。我们进一步在 ValueNet 上开发了一个基于 Transformer 的价值回归模型，以学习效用分布。全面的实证结果表明，所学价值模型可惠及广泛的对话任务。例如，通过利用强化学习及价值模型的奖励来训练生成式代理，我们的方法在个性化对话生成数据集 Persona-Chat 上达到了最先进的性能。以价值作为附加特征，现有的情感识别模型能够捕捉上下文中丰富的人类情感，从而进一步提升 EmpatheticDialogues 数据集中的共情回复生成性能。据我们所知，ValueNet 是首个面向人类价值建模的大规模文本数据集，且我们首次尝试将价值模型引入情感智能对话系统。数据集可在 https://liang-qiu.github.io/ValueNet/ 获取。