[论文解读] Control Globally, Understand Locally: A Global-to-Local Hierarchical Graph Network for Emotional Support Conversation

Wei Peng, Yue Hu+4 more|arXiv (Cornell University)|Apr 27, 2022

Mental Health via Writing被引用 4

一句话总结

该论文提出了一种全局到局部层次图网络（GLHG），通过多源编码器和层次图推理机制，联合捕捉全局原因（例如，潜在的情绪问题）和局部心理意图（例如，隐含心理状态），以建模情感支持对话。该模型在ESConv数据集上实现了最先进性能，在自动评估和人工评估中均优于基线模型，通过基于图的推理机制和新颖的全局引导训练目标，有效整合了全局上下文与局部意图。

ABSTRACT

Emotional support conversation aims at reducing the emotional distress of the help-seeker, which is a new and challenging task. It requires the system to explore the cause of help-seeker's emotional distress and understand their psychological intention to provide supportive responses. However, existing methods mainly focus on the sequential contextual information, ignoring the hierarchical relationships with the global cause and local psychological intention behind conversations, thus leads to a weak ability of emotional support. In this paper, we propose a Global-to-Local Hierarchical Graph Network to capture the multi-source information (global cause, local intentions and dialog history) and model hierarchical relationships between them, which consists of a multi-source encoder, a hierarchical graph reasoner, and a global-guide decoder. Furthermore, a novel training objective is designed to monitor semantic information of the global cause. Experimental results on the emotional support conversation dataset, ESConv, confirm that the proposed GLHG has achieved the state-of-the-art performance on the automatic and human evaluations. The code will be released in here \footnote{\small{~https://github.com/pengwei-iie/GLHG}}.

研究动机与目标

• 为解决现有方法仅关注序列上下文、忽略情感支持对话中全局原因与局部心理意图之间层次关系的局限性。
• 通过在统一框架中建模多源信息——全局原因、局部心理意图和对话历史——以改善情感支持响应生成。
• 通过设计一种新颖的训练目标，监控并保留全局原因的语义信息，防止其被局部意图所掩盖，从而提升响应质量。
• 验证层次图推理在捕捉对话级与句子级关系方面的有效性，以生成更具同理心和上下文准确性的响应。

提出的方法

• 多源编码器将对话历史、情境上下文以及通过预训练COMET模型提取的心理意图相结合，以表征全局与局部因素。
• 层次图推理器使用图注意力机制，对三个关键节点——全局原因（对话级）、局部心理意图（句子级）和对话历史（轮次级）——之间的交互进行建模。
• 图推理器通过消息传递机制更新节点表征，利用迭代聚合捕捉局部依赖与全局上下文。
• 全局引导解码器引入一种新颖的L2损失，以在响应生成过程中监控并保持全局原因的语义完整性，确保其在输出中保持显著影响。
• 模型在ESConv数据集上端到端训练，结合交叉熵损失与所提出的L2损失进行优化。

实验结果

研究问题

• RQ1 对话系统如何超越表面对话上下文，更好地理解求助者情绪困扰的根本原因？
• RQ2 建模全局原因与局部心理意图之间的层次关系在多大程度上能提升情感支持响应的质量？
• RQ3 基于图的机制能否有效捕捉对话历史、全局原因与局部意图之间的多层次交互？
• RQ4 一种专门用于监控全局原因语义的训练目标是否能带来更一致且更具支持性的响应？

主要发现

• GLHG在ESConv数据集上达到最先进性能，自动评估指标中BERTScore F1为7.57，B-4为2.13，D-1为3.50，R-L为16.37。
• 消融实验表明，移除全局原因（w/o Global Cause）会使性能降至6.01 BERTScore，表明其在响应质量中的关键作用。
• 移除局部意图组件（w/o Local Intention）导致性能下降至6.58 BERTScore，证实捕捉隐含心理状态的重要性。
• 图推理器贡献显著，移除后性能降至5.83 BERTScore，表明层次关系建模的价值。
• 所提出的全局原因语义L2损失可提升响应一致性，移除后BERTScore下降1.5分（6.15 vs. 7.57）。
• 定性分析显示，GLHG生成的响应更具同理心、上下文相关性，并包含更多建议性内容——例如，'我知道让人理解很难，但你可以和你的老板谈谈'——相比BlenderBot等基线模型更具支持性。