[论文解读] 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 4

一句话总结

本文基于 EmpatheticDialogues 数据集中人类社交对话，通过人工标注与自动标注相结合的方法，提出了一套包含 500 种共情型倾听者回应意图的分类体系，识别说话者情绪与倾听者回应之间的模式。主要贡献在于构建了一个结构化、可解释的框架，通过将意图与情绪建模整合到神经文本生成中，提升聊天机器人的可控性与共情能力，揭示出倾听者在回应悲伤或愤怒情绪时更常采用提问而非情绪镜像的方式。

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.

研究动机与目标

• 开发一个大规模、人工标注的共情型倾听者回应意图分类体系，用于提升聊天机器人的共情能力。
• 解决纯数据驱动的神经响应生成方法存在的局限性，后者常产生社交不适当或冗余的回应。
• 利用自动情绪与意图标注技术，分析 25,000 个对话中说话者情绪与倾听者回应意图之间的关系。
• 通过可视化情感对话交互的时序模式，揭示开放域人类对话中反复出现的共情动态。
• 提供可复用的标注方案与启发式规则，用于训练更具可控性、可解释性与亲社会性的共情型聊天机器人。

提出的方法

• 使用自定义的共情型倾听意图分类体系，对 EmpatheticDialogues 数据集中 500 个回应语句进行人工标注，覆盖 32 种情绪类别。
• 应用词汇模式匹配与机器学习方法，对数据集中全部 25,000 个对话自动标注情绪与意图类别。
• 采用信息可视化技术，映射并分析情感对话交互模式及其随时间的演变。
• 提出一种混合框架：对话历史被标注为情绪与意图，对话行为选择模块在响应生成前选择最合适的倾听者意图。
• 将分类体系整合到联合建模方法中，使响应生成同时依赖于对话历史与选定的共情意图标签。
• 通过对比基于词汇的意图检测与上下文感知改进方法，评估自动标注的鲁棒性，承认在缺乏对话上下文时，仅依赖句子级特征进行分类存在局限。

实验结果

研究问题

• RQ1 人类在开放域社交对话中，最常使用哪些共情回应意图？这些意图有何显著特征？
• RQ2 倾听者的回应意图与说话者表达的情绪（尤其是悲伤、愤怒或厌恶）之间存在何种关联？
• RQ3 共情对话交互在时间进程中的主导情绪与对话模式是什么？
• RQ4 大规模对话数据集中情绪与意图的自动标注，在支持可控共情聊天机器人开发方面具有多大潜力？
• RQ5 共情意图的分类体系在多大程度上能提升神经响应生成模型的可解释性与可控性？

主要发现

• 倾听者在回应悲伤或愤怒情绪时，显著更倾向于使用提问而非表达相似或相反的情绪，表明其策略性地运用提问来支持说话者。
• 个人痛苦（即倾听者因情绪感染而产生自身负面情绪）虽存在，但频率低于健康的共情回应，表明人类天然倾向于亲社会互动。
• 最常见的共情回应策略包括积极倾听、澄清与确认，而非情绪镜像或自我表露。
• 该分类体系成功捕捉了诸如同情、关心与支持性提问等细微共情行为，能有效与无帮助或令人困扰的反应区分开来。
• 情感演变的可视化显示，共情模式在对话轮次中动态发展，早期回应多为反应性，后期回应更具有反思性。
• 自动标注流程虽在大规模场景下表现有效，但在区分依赖上下文的意图差异方面仍存在局限，尤其当仅依赖句子级特征而缺乏对话历史时。