【二】情感对话 Control Globally,Understand Locally: A Global-to-Local Hierarchical Graph Network for ESConv

【二】情感支撑对话论文最近进展 Emotion Support Conversation

今天给大家分享一篇在IJCAI 2022的关于情感对话的论文。该论文由中科院信工所彭伟、胡玥老师团队发表，主要思想是从认知的角度来挖掘用户隐式表达的意图信息，以及建模用户的意图、情感问题和对话历史之间的关系。

相关情感支撑论文综述整理指路 -> 点这里

GLHG:

Control Globally, Understand Locally: A Global-to-Local Hierarchical Graph Network for Emotional Support Conversation

分以下四部分介绍：

Motivation
Model
Experiment
Discussion

1、Motivation & Challenge

Motivation

我们的动机源于情感支持的基本原则，即希望对话系统能够像人类一样进行心理咨询。
具体来说，系统需要探索求助者情绪问题的原因（全局），然后根据当前的对话（局部）分析其隐含的心理意图，以指导提供支持性回应。

Challenge

落地到心理咨询的复杂场景，如何在认知层面明确地捕捉用户隐式表达的意图是关键点。
捕获之后，如何建模这些心理因素的关系是本文的核心问题。

例子：

在这里插入图片描述

如图所示，用户表达了自己情感焦虑的原因——需要支付信用卡账单。从局部上来说，系统在每一轮对话都需要分析用户的当前意图是什么。

比如第二轮对话中，系统分析出寻求帮助的人表示他想多工作赚更多的钱。因此系统产生回复：我确信这需要奉献和努力工作，但你可以争取更多的工资。

2、Model

在这里插入图片描述

2.1 overview

模型整体结构包括三部分，多源编码器，层次图推理器以及全局引导的解码器。

扫描二维码关注公众号，回复： 14937791 查看本文章

2.2 Multi-source Encoder

多源编码器的目的在于捕获和编码三个信息源，包括对话历史、全局cause和局部意图。

对话历史，全局cause，局部意图编码分别利用三个编码器获取其上下文语义信息。

其中 $ms_l$ 是根据常识预训练模型COMET抽取出来的意图信息。

在这里插入图片描述

如上图所示：

通过给入一个头节点以及对应的边关系，可以通过常识预训练语言模型 $COMET$ 让它输出一个尾节点，也是以自然语言形式阐述的一个句子。因为这篇文章作者关注的是用户的意图信息。并且作者认为，只有更好的理解用户的意图，才能够去更好的进行情感支撑的回复，所以作者只考虑使用意图信息。对于其他边关系的引入，可能会带来噪音。

2.3 Hierarchical Graph Reasoner

图推理器的目的在于组织不同层次的多源信息，并建模全局原因、局部意图和对话历史之间的相互作用。

节点：
Global Cause Embedding、Local Psychological Intention Embedding、Token Embedding、[SEP] Embedding
边：
Local Connection 、 Global Connection 、Contextual Connection

三类节点的更新方式如下：