[论文解读] Empathetic Conversational Systems: A Review of Current Advances, Gaps, and Opportunities

Aravind Sesagiri Raamkumar, Yinping Yang|arXiv (Cornell University)|May 9, 2022

Sentiment Analysis and Opinion Mining参考文献 117被引用 6

一句话总结

本文综述了共情对话系统，从五个维度分析了当前进展、研究空白与未来机遇：共情模型、共情概念、数据集、评估方法及最先进方法。研究发现，多数研究依赖 EMPATHETICDIALOGUES 数据集和基于文本的输入，用户建模有限；融入情绪原因、外部知识和情感匹配可显著提升性能，表明未来系统应支持多模态输入、实体级情绪检测及细致的共情行为。

ABSTRACT

Empathy is a vital factor that contributes to mutual understanding, and joint problem-solving. In recent years, a growing number of studies have recognized the benefits of empathy and started to incorporate empathy in conversational systems. We refer to this topic as empathetic conversational systems. To identify the critical gaps and future opportunities in this topic, this paper examines this rapidly growing field using five review dimensions: (i) conceptual empathy models and frameworks, (ii) adopted empathy-related concepts, (iii) datasets and algorithmic techniques developed, (iv) evaluation strategies, and (v) state-of-the-art approaches. The findings show that most studies have centered on the use of the EMPATHETICDIALOGUES dataset, and the text-based modality dominates research in this field. Studies mainly focused on extracting features from the messages of the users and the conversational systems, with minimal emphasis on user modeling and profiling. Notably, studies that have incorporated emotion causes, external knowledge, and affect matching in the response generation models, have obtained significantly better results. For implementation in diverse real-world settings, we recommend that future studies should address key gaps in areas of detecting and authenticating emotions at the entity level, handling multimodal inputs, displaying more nuanced empathetic behaviors, and encompassing additional dialogue system features.

研究动机与目标

• 识别共情对话系统中的关键研究空白与未来机遇。
• 分析五个维度下的当前研究趋势：共情模型、相关共情概念、数据集、评估策略及最先进方法。
• 评估情绪原因、外部知识和情感匹配在提升响应生成中的作用。
• 通过解决情绪检测、多模态输入处理与用户画像方面的局限，指导未来研究向真实世界部署迈进。
• 为超越基于文本、聚焦特征提取的模型，提供推进共情人工智能系统发展的结构化框架。

提出的方法

• 采用系统性综述方法，分析150余项共情对话系统研究，基于五个分析维度：概念性共情模型、共情相关概念、数据集与算法技术、评估策略及最先进方法。
• 对现有共情模型与框架进行分类，包括认知共情、情感共情与行为共情三个组成部分。
• 对数据集进行分析，特别强调 EMPATHETICDIALOGUES 数据集在当前研究中的主导地位。
• 评估算法技术，尤其是基于注意力机制的序列到序列模型及在共情感知目标上的微调方法。
• 考察融合情绪原因、外部知识检索与情感匹配机制的响应生成方法。
• 综合研究发现，识别出尚未充分探索的领域，如多模态输入处理、实体级情绪检测与动态用户建模。

实验结果

研究问题

• RQ1 共情对话系统中广泛采用的理论框架与共情模型有哪些？
• RQ2 当前系统如何整合共情相关概念，如情绪原因、情感匹配与外部知识？
• RQ3 推动该领域发展的关键数据集与算法技术有哪些？
• RQ4 共情响应如何评估？当前评估策略存在哪些局限？
• RQ5 共情对话系统未来研究中，最显著的研究空白与机遇是什么？

主要发现

• EMPATHETICDIALOGUES 数据集是使用最广泛的资源，在基于文本的共情对话研究中占据主导地位。
• 多数研究集中于从用户与系统对话中提取特征，对用户建模或长期用户画像的关注较少。
• 整合情绪原因、外部知识与情感匹配机制的模型，其性能显著优于基线方法。
• 基于文本的模态仍占主导地位，对语音、面部表情或生理信号等多模态输入的探索有限。
• 亟需实现基于实体的情绪检测与身份认证，以提升共情系统中的可信度与真实感。
• 未来系统应整合记忆、规划与上下文感知推理等额外对话系统功能，以支持真实世界部署。