[论文解读] Emora: An Inquisitive Social Chatbot Who Cares For You

Sarah E. Finch, James D. Finch+10 more|arXiv (Cornell University)|Sep 10, 2020

Topic Modeling参考文献 15被引用 7

一句话总结

Emora 是由埃默里大学开发的一款以个性为中心、富有好奇心的社交聊天机器人，其重点在于个人经历和观点分享，而非信息检索，采用基于规则与神经网络相结合的混合处理流程。在 Alexa 奖竞赛中，Emora 获得了 3.61 的平均用户评分，其中以个人经历为重点的对话评分显著更高（3.85 对比 3.79），而对当前事件的感知能力进一步提升了用户满意度。

ABSTRACT

Inspired by studies on the overwhelming presence of experience-sharing in human-human conversations, Emora, the social chatbot developed by Emory University, aims to bring such experience-focused interaction to the current field of conversational AI. The traditional approach of information-sharing topic handlers is balanced with a focus on opinion-oriented exchanges that Emora delivers, and new conversational abilities are developed that support dialogues that consist of a collaborative understanding and learning process of the partner's life experiences. We present a curated dialogue system that leverages highly expressive natural language templates, powerful intent classification, and ontology resources to provide an engaging and interesting conversational experience to every user.

研究动机与目标

• 开发一款能够模拟人类般、以经历为中心的对话风格的社交聊天机器人，而非依赖信息检索。
• 通过融入个性、观点以及对用户生活经历的主动好奇，提升用户参与度。
• 利用结合基于规则与数据驱动组件的混合架构，创建一个自洽且个性化的对话系统。
• 探究以个人经历为核心的对话是否相比事实或观点类话题更能提升用户满意度。
• 探索当前事件与节假日对用户感知与互动质量的影响。

提出的方法

• Emora 采用分层处理的流水线架构，对意图分类与实体抽取进行两阶段 NLP 处理，结合精心设计的模板与本体论。
• 对话管理器采用状态机机制，支持灵活的话题切换，能够根据用户输入与情感线索动态转换话题。
• 结合手工设计的模板与神经网络意图分类，确保回应具有表现力、自然且符合上下文。
• 系统整合用户特定数据与对话历史，以在会话间保持个性一致性与个性化特征。
• 通过动态‘开场’机制实现对当前事件的感知，能够适配节假日与全球事件（如新冠疫情），提升对话的相关性与情感共鸣。
• 系统基于 Amazon 的 CoBot 框架在 AWS 上实现可扩展部署，使用 DynamoDB 实现状态与用户数据的持久化存储。

实验结果

研究问题

• RQ1 在对话中优先考虑个人经历与观点分享，是否相比传统以信息为中心的聊天机器人更能提升用户满意度？
• RQ2 个性化、带有观点的对话人格在多大程度上影响用户参与度与感知的真实性？
• RQ3 当前事件与季节性节假日在多大程度上影响用户评分与对聊天机器人的感知？
• RQ4 混合式方法（基于规则与神经网络结合）是否在开放域社交聊天任务中比纯数据驱动模型展现出更好的一致性与控制力？
• RQ5 话题转换与情感连贯性在多大程度上促进用户对连贯、富有同理心人格的感知？

主要发现

• Emora 在 Alexa 奖半决赛最后七天的平均用户评分为 3.61，表明整体表现强劲。
• 以个人经历为核心的对话平均得分为 3.85，显著高于‘信息与观点’类话题的 3.79（p < 0.10），表明用户更偏好基于经历的对话。
• 使用节日专属开场（如情人节、复活节、愚人节）带来了用户评分的积极趋势，表明在事件感知互动中用户满意度有所提升。
• 新冠疫情主题的开场持续对评分产生积极影响，表明长期、全球性的事件可随时间推移持续改善用户感知。
• 该系统表明，结合精心设计的模板、意图分类与本体资源，可在不完全依赖大规模神经网络训练的前提下，实现表达丰富、一致且富有情感的对话。
• 研究结果支持了以下假设：以经历与观点为导向的对话策略能显著增强用户参与度与对聊天机器人社会连接感的感知。