[論文レビュー] A Taxonomy of Empathetic Response Intents in Human Social Conversations

Anuradha Welivita, Pearl Pu|arXiv (Cornell University)|Dec 7, 2020

Topic Modeling参考文献 50被引用数 4

ひとこと要約

本稿では、EmpatheticDialoguesデータセットに含まれる人間の社会的会話から得た500の共感的リスナー応答意図の分類法を提案する。手動によるアノテーションと自動ラベリングを組み合わせ、話者の感情とリスナーの応答の間のパターンを同定する。主な貢献は、意図と感情モデリングをニューラル応答生成に統合することで、チャットボットの制御性と共感性を向上させる構造的かつ解釈可能なフレームワークを提供することであり、悲しみや怒りに対してリスナーが感情の共鳴よりも質問を頻繁に用いる傾向があることが明らかになった。

ABSTRACT

Open-domain conversational agents or chatbots are becoming increasingly popular in the natural language processing community. One of the challenges is enabling them to converse in an empathetic manner. Current neural response generation methods rely solely on end-to-end learning from large scale conversation data to generate dialogues. This approach can produce socially unacceptable responses due to the lack of large-scale quality data used to train the neural models. However, recent work has shown the promise of combining dialogue act/intent modelling and neural response generation. This hybrid method improves the response quality of chatbots and makes them more controllable and interpretable. A key element in dialog intent modelling is the development of a taxonomy. Inspired by this idea, we have manually labeled 500 response intents using a subset of a sizeable empathetic dialogue dataset (25K dialogues). Our goal is to produce a large-scale taxonomy for empathetic response intents. Furthermore, using lexical and machine learning methods, we automatically analysed both speaker and listener utterances of the entire dataset with identified response intents and 32 emotion categories. Finally, we use information visualization methods to summarize emotional dialogue exchange patterns and their temporal progression. These results reveal novel and important empathy patterns in human-human open-domain conversations and can serve as heuristics for hybrid approaches.

研究の動機と目的

• 人間の社会的会話における共感的リスナー応答意図の大型で手動で整備された分類法を構築し、チャットボットの共感性を向上させること。
• 純粋にデータ駆動のニューラル応答生成には、しばしば社会的に不適切または重複する応答が生じるという限界を是正すること。
• 25,000件の対話データにおいて、自動感情ラベリングと意図ラベリングを用いて、話者の感情とリスナーの応答意図の関係を分析すること。
• オープンドメインの人間対話における共感のダイナミクスの繰り返しパターンを明らかにするために、感情的対話の推移を可視化すること。
• より制御可能で解釈可能かつ利他的な共感的チャットボットの訓練に利用可能な再利用可能なアノテーションスキームとヒューリスティクスを提供すること。

提案手法

• EmpatheticDialoguesデータセットから500件の応答発話に対して、32の感情カテゴリをカバーする共感的リスナー意図のカスタム分類法を用いて手動でアノテーションを実施した。
• 語彙パターン照合と機械学習を適用し、データセットに含まれる全25,000件の対話を感情カテゴリおよび意図カテゴリに自動ラベル付けした。
• 情報可視化技術を用いて、感情的対話交換のパターンとその時間的推移をマッピング・分析した。
• 対話履歴に感情と意図がタグ付けされ、対話行動選択モジュールが応答生成前に最も適切なリスナー意図を選択するハイブリッドフレームワークを提案した。
• 分類法を統合した共同モデリングアプローチを提案し、応答生成を会話履歴と選択された共感的意図ラベルの両方に条件づけた。
• 文脈を考慮しない文レベル分類では限界があることを認識しつつ、語彙ベースの意図検出と文脈を考慮した改善手法の比較を通じて、自動ラベリングの頑健性を評価した。

実験結果

リサーチクエスチョン

• RQ1 オープンドメインの社会的会話において、人間が共感的応答として最も頻繁に使用し、かつ明確に区別される意図は何か？
• RQ2 特に悲しみ、怒り、嫌悪の状況において、リスナーの応答意図は話者の表明された感情とどのように相関するか？
• RQ3 共感的対話交換の時間的進行において、支配的な感情的および会話的パターンは何か？
• RQ4 大規模な対話データセットにおける感情および意図の自動ラベリングは、制御可能で共感的なチャットボットの開発をどの程度支援できるか？
• RQ5 共感的意図の分類法は、ニューラル応答生成モデルの解釈可能性と制御性をどのように向上させられるか？

主な発見

• 悲しみや怒りの感情に対して、リスナーは感情の共鳴よりも質問を頻繁に用いる傾向があり、これは話者の支援に寄与する戦略的質問の使用を示している。
• 個人的苦痛（リスナーが感情的感染を経験し、自らの否定的感情を反応として示す状態）は発生するが、健全な共感的反応より頻度が低く、利他的な関与への自然な傾向があることを示している。
• 最も一般的な共感的応答戦略は、感情の共鳴や自己開示よりも、能動的聴取、確認、承認である。
• 分類法は、共感、懸念、支援的質問といった洗練された共感的行動を的確に捉えており、役に立たないまたは苦痛を引き起こす反応とは明確に区別できる。
• 感情の推移の可視化により、共感のパターンが対話のターンに伴い動的に変化することが明らかになった。初期の応答は反応的であるのに対し、後続の応答はより内省的である傾向がある。
• 自動ラベリングパイプラインはスケーラビリティに優れているが、会話履歴がなければ文レベル特徴のみに依存する場合、文脈依存の意図の違いを区別する点で限界があることが判明した。