[论文解读] Emotionally-Aware Chatbots: A Survey

Endang Wahyu Pamungkas|arXiv (Cornell University)|Jun 24, 2019

Sentiment Analysis and Opinion Mining参考文献 53被引用 35

一句话总结

对情感感知聊天机器人（EAC）的系统性综述，追溯从基于规则到神经方法的历史，概述架构、数据集、资源、评估方法及未来方向。

ABSTRACT

Textual conversational agent or chatbots' development gather tremendous traction from both academia and industries in recent years. Nowadays, chatbots are widely used as an agent to communicate with a human in some services such as booking assistant, customer service, and also a personal partner. The biggest challenge in building chatbot is to build a humanizing machine to improve user engagement. Some studies show that emotion is an important aspect to humanize machine, including chatbot. In this paper, we will provide a systematic review of approaches in building an emotionally-aware chatbot (EAC). As far as our knowledge, there is still no work focusing on this area. We propose three research question regarding EAC studies. We start with the history and evolution of EAC, then several approaches to build EAC by previous studies, and some available resources in building EAC. Based on our investigation, we found that in the early development, EAC exploits a simple rule-based approach while now most of EAC use neural-based approach. We also notice that most of EAC contain emotion classifier in their architecture, which utilize several available affective resources. We also predict that the development of EAC will continue to gain more and more attention from scholars, noted by some recent studies propose new datasets for building EAC in various languages.

研究动机与目标

• 解释通过情感人性化聊天机器人以提升用户参与度的动机。
• 综述历史演变和用于构建情感感知聊天机器人的关键方法。
• 识别用于情感理解的可用数据集和情感资源。
• 回顾用于评估EAC性能的评估方法（定性与定量）。
• 讨论挑战并预测未来方向，包括多语言和情境改进。

提出的方法

• 回顾并综合关于EAC的先前工作，从基于规则的起步到基于神经的模型。
• 总结架构模式，强调带情感信号的编码-解码序列到序列模型（encoder-decoder seq2seq）。
• 列举可用的情感数据集和情感词汇资源，并给出语言重点说明（英语/中文）。
• 描述整合到EAC中的情感分类器及其在回应生成中的作用。
• 概述评估框架，包括ISO 9241方面以及在EAC研究中使用的自动/人工指标。
• 强调EAC研究的发展趋势和未来方向。

实验结果

研究问题

• RQ1 RQ1 如何在构建情感感知聊天机器人时整合情感信息？
• RQ2 RQ2 有哪些可用于构建情感感知聊天机器人的资源？
• RQ3 RQ3 如何评估情感感知聊天机器人的性能？

主要发现

• 情感性已从基于规则的方法转向神经方法，编码-解码架构成为主导。
• 大多数情感感知聊天机器人都包含一个情感分类器，用于检测用户情感以引导回应。
• 可用的EAC数据集主要是英语或中文，来源于社交媒体、网络内容或众包。
• 情感资源（词汇资源，如 LIWC、ANEW、DepecheMood 和 EmoWordNet）被广泛用于情感分类。
• EAC的评估采用定性（可用性、ISO 9241）和定量方法（自动指标如困惑度、Precision/Recall、BLEU，以及人工人类判断）。
• 未来工作预计将扩大多语言覆盖范围并发展具情境感知和更细腻的情感能力。