[논문 리뷰] Generating Emotionally Aligned Responses in Dialogues using Affect Control Theory

Nabiha Asghar, Ivan Kobyzev외 3명|arXiv (Cornell University)|2020. 03. 07.

Topic Modeling참고 문헌 55인용 수 8

한 줄 요약

이 논문은 대화 시스템에 감정 이론(Affect Control Theory, ACT)을 통합하여, 발언을 EPA(평가-강도-활동) 벡터로 매핑하고 ACT를 사용해 감정적으로 적절한 응답을 예측함으로써 감정적으로 일치하는 응답을 생성하는 방법을 제안한다. 이 방법은 특히 친구 또는 적과 같은 감정적 신분이 명시적으로 모델링될 경우 기존 모델들보다 감정적 관련성을 향상시킨다.

ABSTRACT

State-of-the-art neural dialogue systems excel at syntactic and semantic modelling of language, but often have a hard time establishing emotional alignment with the human interactant during a conversation. In this work, we bring Affect Control Theory (ACT), a socio-mathematical model of emotions for human-human interactions, to the neural dialogue generation setting. ACT makes predictions about how humans respond to emotional stimuli in social situations. Due to this property, ACT and its derivative probabilistic models have been successfully deployed in several applications of Human-Computer Interaction, including empathetic tutoring systems, assistive healthcare devices and two-person social dilemma games. We investigate how ACT can be used to develop affect-aware neural conversational agents, which produce emotionally aligned responses to prompts and take into consideration the affective identities of the interactants.

연구 동기 및 목표

• 최신 신경 대화 시스템에서 감정적 일치가 부족한 문제를 해결하기 위해, 지속적인 감정 상태나 사용자 특화 감정적 신분을 모델링하지 못하는 점을 해결하고자 한다.
• 기존 감정 대화 모델에서 이산적인 감정 카테고리에 한계가 있음을 극복하기 위해, ACT의 연속적 3차원 감정 공간(EPA)을 활용하고자 한다.
• 대화 에이전트가 입력 발언과 상호작용자들의 감정적 신분에 대해 의미적으로 관련성이 있을 뿐 아니라 감정적으로도 적절한 응답을 생성할 수 있도록 하고자 한다.
• 신경 시퀀스 모델과 ACT의 사회-수학적 감정 프레임워크 사이의 표현 갭을 메우기 위해, 학습 가능한 S2EPA 및 EPA2S 구성 요소를 통해 연결하고자 한다.
• ACT 지도형 응답 생성이 표준 seq2seq 및 CVAE 기반 모델 대비 감정 적절성과 맥락적 관련성 측면에서 향상되는지 평가하고자 한다.

제안 방법

• S2EPA(문장 → EPA) 및 EPA2S(EPA → 문장)라는 두 가지 학습 가능한 구성 요소를 통해 ACT를 대화 생성에 통합한 신경 인코더-디코더 파이프라인을 제안한다.
• S2EPA 모델을 사용해 입력 발언을 평가(Evaluation), 강도(Potency), 활동(Activity)를 포함한 3차원 EPA 벡터로 매핑한다.
• 입력 EPA 벡터와 발화자 및 응답자의 감정적 신분을 기반으로 ACT를 쿼리하여 감정 갈등을 최소화하는 응답 EPA 벡터를 예측한다.
• 예측된 응답 EPA 벡터에서 자연어 응답을 생성하기 위해 EPA2S 모델을 활용하며, 입력 프롬프트와 예측된 EPA 벡터에 조건을 부여한다.
• 대화 시스템의 성능을 향상시키기 위해 영화 대화 데이터셋을 사용해 S2EPA 및 EPA2S 모델을 훈련하며, 친구-친구, 적-적 등 신분 쌍을 조건으로 감정적 응답 생성을 유도한다.
• EPA2S 구성 요소로는 시퀀스-투-시퀀스(Seq2Seq) 및 조건부 변동형 오토인코더(CVAE) 아키텍처를 사용하며, 입력은 맥락과 예측된 EPA 벡터 양쪽에 조건을 부여한다.

실험 결과

연구 질문

• RQ1 감정 이론(ACT)을 신경 대화 생성에 효과적으로 통합하여 감정 일치성을 향상시킬 수 있는가?
• RQ2 감정적 신분(예: 친구 대비 적)을 모델링할 경우 생성된 응답의 감정 적절성에 어떤 영향을 미치는가?
• RQ3 S2EPA 및 EPA2S 구성 요소가 맥락적으로 관련성 있고 감정적으로 적절한 응답 생성에 얼마나 기여하는가?
• RQ4 ACT 보조 모델의 성능은 표준 Seq2Seq 및 CVAE 기반 모델 대비 감정 일치성과 응답 품질 측면에서 어떻게 비교되는가?
• RQ5 자연어 발언과 ACT의 EPA 공간 간 매핑 시 주요 한계는 무엇이며, 이는 모델 성능에 어떤 영향을 미치는가?

주요 결과

• ACT 보조 모델은 기존의 Seq2Seq 및 CVAE 모델보다 입력과 상호작용자들의 감정적 신분에 더 감정적으로 일치하는 응답을 생성한다.
• 친구-친구 설정에서는 CVAE와 Seq2Seq 모델이 감정 일치성을 향상시키며, CVAE는 6줄 중 5줄에서 감정적으로 적절한 응답을 생성한 반면, Seq2Seq는 6줄 중 4줄에서 성공했다.
• 적-적 설정에서는 ACT가 비우호적인 행동(예: '소리쳐다', '비꼬는')을 예측하며, 두 모델 모두 감정 맥락에 더 잘 부합하는 응답을 생성했고, CVAE는 6줄 중 5줄에서 적절한 응답을 생성했다.
• S2EPA 모델은 발언을 EPA 벡터로 매핑하는 데 상당히 잘 수행되지만, 이러한 예측의 정확도가 떨어지면 후속 응답 생성에 악영향을 미칠 수 있다.
• EPA2S 모델은 ACT 신분의 선택에 더 민감하며, 특히 동일한 입력에 대해 다양한 감정 반응을 모델링할 경우 훈련 데이터가 제한되어 있어 과적합의 위험이 있다.
• 본 연구는 대규모의 신분 기반 문장-EPA 어휘집 부족과 EPA 레이블링의 주관성 등이 성능 향상에 제약이 되는 주요 과제임을 밝혀냈다.