CN115905485A - 基于常识自适应选择的共情对话方法及*** - Google Patents

基于常识自适应选择的共情对话方法及*** Download PDF

Info

Publication number
CN115905485A
CN115905485A CN202211422630.9A CN202211422630A CN115905485A CN 115905485 A CN115905485 A CN 115905485A CN 202211422630 A CN202211422630 A CN 202211422630A CN 115905485 A CN115905485 A CN 115905485A
Authority
CN
China
Prior art keywords
common sense
common
feature
emotion
map
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211422630.9A
Other languages
English (en)
Inventor
沈旭立
蔡华
薛向阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fudan University
Original Assignee
Fudan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fudan University filed Critical Fudan University
Priority to CN202211422630.9A priority Critical patent/CN115905485A/zh
Publication of CN115905485A publication Critical patent/CN115905485A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Machine Translation (AREA)

Abstract

本发明提供一种基于常识自适应选择的共情对话方法及***，首先利用神经网络的表征能力，通过感知对话的上下文情感识别信息，编码得到历史对话的上下文信息与常识图谱的先验信息。然后将编码得到的特征信息通过工作空间基于选择常识特征编码算法进行筛选，自适应地统一情感认知信息，确保筛选出的常识特征编码与历史对话的上下文情感识别信息的一致性，从而输出更符合使用者感受的共情对话文本。本发明利用对话中的情感信息来辅助理解对话意图，这样既提升了上下文的理解能力，又能让使用者觉得自身情绪状态被理解，从而提升沟通效率和用户体验。而且本发明还可以应用到各类无人***或人机交互场景，具有适用范围广、使用价值高的优点。

Description

基于常识自适应选择的共情对话方法及***
技术领域
本发明属于计算机应用领域，特别涉及一种基于常识自适应选择的共情对话方法及***。
背景技术
共情是人类理解他人情感的能力，使人类能够通过各种情绪刺激体验他人的情绪，知晓他人的心理状态。如果对话***具有共情能力，能够识别说话人的情绪，就能更有针对性地做出回复。在自然语言处理领域，目前的对话***注重在词句结构的合理性，但是忽视了共情能力在可持续的聊天***中的作用。共情能力是人的基本认知能力，结合说话人的常识，能够更好地了解对方的情绪状态。因此，近期出现的对话***利用常识图谱，在人机交互中达到感知人类情绪的目的。然而，常识是纷繁复杂的，并且未经选择的常识会扰乱对话***生成回复文本。
目前的研究还未涉及对常识图谱进行自适应筛选，从而达到理解人类情感，辅助对话***生成共情回复的能力。此***的难点在于如何统一对话***在常识图谱与对话上下文的情感理解，达到语境一致的共情回复。
发明内容
为解决上述问题，提供一种能够实现语境一致的共情对话方法及***，本发明采用了如下技术方案：
本发明提供了一种基于常识自适应选择的共情对话方法，其特征在于，包括以下步骤：步骤S1，将历史对话文本数据和预定义的常识关系集合输入至预训练好的常识图谱生成模型，获取预测的上下文相关的常识推断结果集合；步骤S2，基于参数化的常识图谱编码器，输入常识推断结果集合和情感分类损失函数，获取对应的常识图谱的特征编码集合和常识图谱情感识别信息；步骤S3，基于参数化的上下文编码器，输入历史对话文本数据和情感分类损失函数，获取上下文的特征编码向量和上下文情感识别信息；步骤S4，为统一常识图谱情感识别信息和上下文情感识别信息，将常识图谱的特征编码集合、上下文的特征编码向量以及情感分类损失函数，输入至模拟工作空间中，利用自适应选择常识特征编码算法获取经过自适应选择的常识图谱的特征编码；步骤S5，将经过自适应选择的常识图谱的特征编码，结合上下文的特征编码向量，输入至参数化的神经网络解码器，从而获取与历史对话文本数据情感统一的共情对话回复文本。
本发明提供的基于常识自适应选择的共情对话方法，还可以具有这样的技术特征，其中，预定义的常识关系集合的元素至少包括对话需求关系、对话意图关系和对话影响关系。
本发明提供的基于常识自适应选择的共情对话方法，还可以具有这样的技术特征，其中，步骤S4包括以下子步骤：
步骤S4-1，利用自适应选择常识特征编码算法模拟工作空间机制；
步骤S4-2，将常识图谱的特征编码集合Zr、参数化的神经网络gφ、上下文的特征编码向量Zctx以及情感分类损失函数
Figure BDA0003942614260000031
输入至模拟工作空间；
步骤S4-3，在竞争阶段m，当常识图谱的特征编码集合Zr的编码数量大于1时，利用情感分类损失函数
Figure BDA0003942614260000032
计算经过神经网络gφ编码的特征编码向量与上下文的特征编码向量zctx组成的集合f：
Figure BDA0003942614260000033
并记录为常识图谱的特征编码集合Zr的最大损失的序号I：
Figure BDA0003942614260000034
步骤S4-4，对集合f中的元素求梯度，组成矩阵Gm：
Figure BDA0003942614260000035
步骤S4-5，通过求解拉格朗日乘子λ计算竞争阶段m关于常识图谱的特征对齐上下文的特征的动量δm：
Figure BDA0003942614260000036
Figure BDA0003942614260000037
在利用上式求解二次规划问题得到拉格朗日乘子λ后，计算动量δm：
δm＝-Gm Tλ；
步骤S4-6，在广播阶段m，输入常识图谱的特征编码集合Zr，经过神经网络gα解码后获得知识表示hk＝gα(Zr)，并输出经过动量δm修正的知识编码
Figure BDA0003942614260000038
Figure BDA0003942614260000039
步骤S4-7，在经过上述步骤S4-1至步骤S4-6处理后，将第I个常识图谱编码从常识图谱的特征编码集合中剔除，直到该特征编码集合只剩一个常识图谱的特征编码为止，以此得到根据上下文的情感识别信息选择出来的常识图谱的特征编码；其中，竞争阶段m与广播阶段m表示为WHILE循环中的m次循环，在每一次循环m中，剔除常识图谱的特征编码集合Zr中最大损失的序号I表示剔除与上下文最不相关的知识表示，该过程即为自适应选择过程。
本发明还提供一种基于常识自适应选择的共情对话***，其特征在于，其中，包括：媒体数据获取模块、计算模块以及结果显示模块，媒体数据获取模块用于获取历史对话文本数据，计算模块用于对历史对话文本数据与预存储的常识图谱进行编码、解码后，利用自适应选择常识特征编码算法获取与历史对话文本数据的编码情感一致的常识图谱的特征编码，从而生成共情对话回复文本，结果显示模块用于显示媒体数据获取模块所获取的历史对话文本数据以及计算模块输出的共情对话回复文本。
本发明提供的基于常识自适应选择的共情对话***，还可以具有这样的技术特征，其中，计算模块包括感知模块、认知模块、工作空间模块以及生成模块，感知模块为文本预训练模型，用于对输入的历史对话文本数据进行编码，并输出对应的历史对话编码；认知模块具有预存储的常识图谱和常识推断生成模型，用于对输入的历史对话文本数据进行编码，并输出对应的常识编码；工作空间模块基于自适应选择常识特征编码算法对常识编码进行自适应选择，选择与历史对话编码情感一致的常识编码作为自适应选择的常识图谱的特征编码并输出；生成模块为文本对话生成模型，用于根据自适应选择的常识图谱的特征编码和输入的历史对话编码，生成情感统一的共情对话回复文本。
发明作用与效果
根据本发明的基于常识自适应选择的共情对话方法及***，首先利用神经网络的表征能力，通过感知对话的上下文情感识别信息，编码得到历史对话的上下文信息与常识图谱的先验信息。然后将编码得到的特征信息通过工作空间基于选择常识特征编码算法进行筛选，自适应地统一情感认知信息，从而确保了筛选出的常识特征编码与历史对话的上下文情感识别信息的一致性，能够输出更符合使用者感受的共情对话文本。相较于现有对话***只注重文法的准确性，以生成流畅通顺的语句为目标，忽视情感理解的重要性的缺陷，本发明利用对话中的情感信息来辅助理解对话意图，这样既提升了上下文的理解能力，又能让使用者觉得自身情绪状态被理解，从而提升了沟通效率，也提升了用户体验。此外，本发明还可以应用到各类无人***或人机交互场景，具有适用范围广、使用价值高的优点。
附图说明
图1是本发明实施例中基于常识自适应选择的共情对话方法的流程示意图；
图2是本发明实施例中基于常识自适应选择的共情对话***的结构示意图。
具体实施方式
为提供一种实现语境一致的共情对话技术方案，本发明将对话看做成人的认知过程的决策结果。此对话***先通过先理解人的情绪，再针对性地回复对话。以此为动机，并借鉴了人类大脑在有意识情况下的认知与决策活动，即：全局工作空间理论(globalworkspace theory)，该理论是美国心理学家伯纳德巴尔斯提出的关于人类决策时的认知模型，适用于解释人的对话过程。该理论假设人在有意识状态下的决策(对话)，与一个“广播***”的工作空间相关联，这个工作空间负责整合输入的感知信息，通过统一各个感知信息的语境后，输出回复对话。
结合上述理论，本发明建模了一种符合全局工作空间机制的共情对话框架，将当前说话的上下文内容，与人的常识做为感知信息的输入来源。感知信息经过工作空间后，能够自适应地选择符合上下文语境的常识，达到情感认知一致，再输出相对应的回复。同时，此技术方案可以在对话后能够反馈对话***回复的自适应认知过程，辅助***开发者优化对话***。
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下结合实施例及附图对本发明的基于常识自适应选择的共情对话方法及***作具体阐述。
<实施例>
图1是本发明实施例中基于常识自适应选择的共情对话方法的流程示意图。
如图1所示，本实施的基于常识自适应选择的共情对话方法包括如下步骤：
步骤S1，基于预训练好的常识图谱生成模型
Figure BDA0003942614260000071
输入历史对话文本数据U进行前向传播，并根据预定义的常识关系集合r∈{N，W，O，...}，获取预测的上下文相关的常识推断结果集合Er。
在预定义的常识关系集合r∈{N，W，O，...}中，其中N代表对话需求关系，W代表对话意图关系，O代表对话影响关系等。
步骤S2，基于参数化的常识图谱编码器Enck，输入常识推断结果集合Er和情感分类的损失函数Lemo，输出常识图谱的特征编码集合Zr和常识图谱情感识别信息Emok；
步骤S3，基于参数化的上下文编码器Encctx，输入历史对话文本数据U和情感分类的损失函数Lemo，获取历史对话文本数据的上下文的特征编码向量zctx和上下文情感识别信息Emoctx；
步骤S4，为统一常识图谱情感识别信息Emok和上下文情感识别信息Emoctx，将常识图谱的特征编码集合Zr和上下文的特征编码向量zctx，输入至模拟工作空间中，利用自适应选择常识特征编码算法获取经过自适应选择的常识图谱的特征编码。
本步骤具体过程如下：
步骤S4-1，利用自适应选择常识特征编码算法模拟工作空间机制；
步骤S4-2，将常识图谱的特征编码集合Zr、参数化的神经网络gφ、上下文的特征编码向量zctx以及情感分类损失函数
Figure BDA0003942614260000081
输入至模拟工作空间；
步骤S4-3，在竞争阶段m，当常识图谱的特征编码集合Zr的编码数量大于1时，利用情感分类损失函数
Figure BDA0003942614260000082
计算经过神经网络gφ编码的特征编码向量与上下文的特征编码向量zctx组成的集合f：
Figure BDA0003942614260000083
并记录为常识图谱的特征编码集合Zr的最大损失的序号I：
Figure BDA0003942614260000084
步骤S4-4，对集合f中的元素求梯度，组成矩阵Gm：
Figure BDA0003942614260000085
步骤S4-5，通过求解拉格朗日乘子λ计算竞争阶段m关于常识图谱的特征对齐上下文的特征的动量δm：
Figure BDA0003942614260000086
Figure BDA0003942614260000087
在利用上式求解二次规划问题得到拉格朗日乘子λ后，计算动量δm：
δm＝-Gm Tλ；
步骤S4-6，在广播阶段m，输入常识图谱的特征编码集合Zr，经过神经网络gα解码后获得知识表示hk＝gα(Zr)，并输出经过动量δm修正的知识编码
Figure BDA0003942614260000088
Figure BDA0003942614260000089
步骤S4-7，在经过上述步骤S4-1至步骤S4-6处理后，将第I个常识图谱编码从常识图谱的特征编码集合中剔除，直到该特征编码集合只剩一个常识图谱编码为止，以此得到根据上下文的情感信息选择出来的常识图谱的特征编码。
上述过程中，竞争阶段m与广播阶段m表示为WHILE循环中的m次循环。以及，在每一次循环m中，剔除常识图谱的特征编码集合Zr中最大损失的序号I表示剔除与上下文最不相关的知识表示，该过程即为自适应选择过程，也可表示为在常识图谱的特征编码集合Zr中，从高到低排列：
Figure BDA0003942614260000091
步骤S5，将上述经过自适应选择的常识图谱的特征编码
Figure BDA0003942614260000092
结合历史对话的特征编码向量zctx，输入参数化的神经网络解码器Decc，k，从而获取与历史对话文本数据的情感统一的共情对话回复文本：
Figure BDA0003942614260000093
图2是本发明实施例中基于常识自适应选择的共情对话***的结构示意图。
如图2所示，本实施例基于常识自适应选择的共情对话***100包括媒体数据获取模块10、计算模块11以及结果显示模块12。
其中，媒体数据获取模块10用于获取历史对话文本数据，该历史对话文本数据可以是从语音转文本的程序或者设备中获取的，也可以是本地存储的文本数据。
计算模块11用于对媒体数据获取模块10获取到的历史对话文本数据与预存储的常识图谱进行编码、解码后，利用自适应选择常识特征编码算法获取与历史对话文本数据的编码情感一致的常识图谱的特征编码，从而生成共情对话回复文本。
该计算模块11具有感知单元111、认知单元112、工作空间单元113及生成单元114。
其中，感知单元111为文本预训练模型，用于对输入的历史对话文本数据进行编码，并输出对应的历史对话编码。
认知单元112具有预存储的常识图谱和常识推断生成模型，用于对输入的历史对话文本数据进行编码，并输出对应的常识编码。
工作空间单元113基于自适应选择常识特征编码算法对常识编码进行自适应选择，选择与历史对话编码情感一致的常识编码作为自适应选择的常识图谱的特征编码并输出。
生成单元114为文本对话生成模型，用于根据自适应选择的常识图谱的特征编码和输入的历史对话编码，生成情感统一的共情对话回复文本。
结果显示模块12用于显示媒体数据获取模块10所获取的历史对话文本数据以及计算模块11输出的共情对话回复文本。该结果显示模块12可以是电脑或移动设备。
本实施例的上述基于自适应选择的共情对话方法及***，可以应用到各类无人***或人机交互场景中，如在护理场景中机器人与患者进行沟通交互；在自动驾驶过程中司机与汽车进行语音问答；或在无人餐厅中顾客与送餐机器人之间的点餐语音交互等，具有适用范围广、使用价值高的优点。
实施例作用与效果
根据本实施例提供的基于自适应选择的共情对话方法及***，首先利用神经网络的表征能力，通过感知对话的上下文情感识别信息，编码得到历史对话的上下文信息与常识图谱的先验信息。然后将编码得到的特征信息通过工作空间基于选择常识特征编码算法进行筛选，自适应地统一情感认知信息，从而确保了筛选出的常识特征编码与历史对话的上下文情感识别信息的一致性，能够输出更符合使用者感受的共情对话文本。相较于现有对话***只注重文法的准确性，以生成流畅通顺的语句为目标，忽视情感理解的重要性的缺陷，而本实施例则利用对话中的情感信息来辅助理解对话意图，这样既能提升上下文的理解能力，又能让使用者觉得自身情绪状态被理解，从而提升了沟通效率，也提升了用户体验。
同时，本实施例提供的共情对话***还可以汇报在工作空间内的自适应选择过程，从而辅助开发人员迭代与调优对话***与常识图谱。
上述实施例仅用于举例说明本发明的具体实施方式，而本发明不限于上述实施例的描述范围。

Claims (5)

1.一种基于常识自适应选择的共情对话方法，其特征在于，包括以下步骤：
步骤S1，将历史对话文本数据和预定义的常识关系集合输入至预训练好的常识图谱生成模型，获取预测的上下文相关的常识推断结果集合；
步骤S2，基于参数化的常识图谱编码器，输入所述常识推断结果集合和情感分类损失函数，获取对应的常识图谱的特征编码集合和常识图谱情感识别信息；
步骤S3，基于参数化的上下文编码器，输入所述历史对话文本数据和情感分类损失函数，获取上下文的特征编码向量和上下文情感识别信息；
步骤S4，为统一常识图谱情感识别信息和上下文情感识别信息，将所述常识图谱的特征编码集合、所述上下文的特征编码向量以及情感分类损失函数，输入至模拟工作空间中，利用自适应选择常识特征编码算法获取经过自适应选择的常识图谱的特征编码；
步骤S5，将经过自适应选择的常识图谱的特征编码，结合所述上下文的特征编码向量，输入至参数化的神经网络解码器，从而获取与所述历史对话文本数据情感统一的共情对话回复文本。
2.根据权利要求1所述的基于常识自适应选择的共情对话方法，其特征在于：
其中，所述预定义的常识关系集合的元素至少包括对话需求关系、对话意图关系和对话影响关系。
3.根据权利要求1所述的基于常识自适应选择的共情对话方法，其特征在于：
其中，所述步骤S4包括以下子步骤：
步骤S4-1，利用所述自适应选择常识特征编码算法模拟工作空间机制；
步骤S4-2，将常识图谱的特征编码集合Zr、参数化的神经网络gφ、上下文的特征编码向量Zctx以及情感分类损失函数
Figure FDA0003942614250000027
输入至所述模拟工作空间；
步骤S4-3，在竞争阶段m，当常识图谱的特征编码集合Zr的编码数量大于1时，利用所述情感分类损失函数
Figure FDA0003942614250000021
计算经过神经网络gφ编码的特征编码向量与上下文的特征编码向量Zctx组成的集合f：
Figure FDA0003942614250000022
并记录为常识图谱的特征编码集合Zr的最大损失的序号I：
Figure FDA0003942614250000023
步骤S4-4，对集合f中的元素求梯度，组成矩阵Gm：
Figure FDA0003942614250000024
步骤S4-5，通过求解拉格朗日乘子λ计算竞争阶段m关于常识图谱的特征对齐上下文的特征的动量δm：
Figure FDA0003942614250000025
Figure FDA0003942614250000026
在利用上式求解二次规划问题得到拉格朗日乘子λ后，计算动量δm：
δm＝-Gm Tλ；
步骤S4-6，在广播阶段m，输入常识图谱的特征编码集合Zr，经过神经网络gα解码后获得知识表示hk＝gα(Zr)，并输出经过动量δm修正的知识编码
Figure FDA0003942614250000031
Figure FDA0003942614250000032
步骤S4-7，在经过上述步骤S4-1至步骤S4-6处理后，将第I个常识图谱编码从常识图谱的特征编码集合中剔除，直到该特征编码集合只剩一个常识图谱的特征编码为止，以此得到根据上下文的情感识别信息选择出来的常识图谱的特征编码；
其中，竞争阶段m与广播阶段m表示为WHILE循环中的m次循环，在每一次循环m中，剔除常识图谱的特征编码集合Zr中最大损失的序号I表示剔除与上下文最不相关的知识表示，该过程即为自适应选择过程。
4.一种基于常识自适应选择的共情对话***，其特征在于，包括：
媒体数据获取模块、计算模块以及结果显示模块，
所述媒体数据获取模块用于获取历史对话文本数据，
所述计算模块用于对所述历史对话文本数据与预存储的常识图谱进行编码、解码后，利用自适应选择常识特征编码算法获取与所述历史对话文本数据的编码情感一致的常识图谱的特征编码，从而生成共情对话回复文本，
所述结果显示模块用于显示所述媒体数据获取模块所获取的历史对话文本数据以及所述计算模块输出的共情对话回复文本。
5.根据权利要求4所述的基于常识自适应选择的共情对话***，其特征在于：
其中，所述计算模块包括感知模块、认知模块、工作空间模块以及生成模块，
所述感知模块为文本预训练模型，用于对输入的所述历史对话文本数据进行编码，并输出对应的历史对话编码；
所述认知模块具有预存储的常识图谱和常识推断生成模型，用于对输入的历史对话文本数据进行编码，并输出对应的常识编码；
所述工作空间模块基于自适应选择常识特征编码算法对所述常识编码进行自适应选择，选择与所述历史对话编码情感一致的常识编码作为自适应选择的常识图谱的特征编码并输出；
所述生成模块为文本对话生成模型，用于根据自适应选择的常识图谱的特征编码和输入的历史对话编码，生成情感统一的共情对话回复文本。
CN202211422630.9A 2022-11-14 2022-11-14 基于常识自适应选择的共情对话方法及*** Pending CN115905485A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211422630.9A CN115905485A (zh) 2022-11-14 2022-11-14 基于常识自适应选择的共情对话方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211422630.9A CN115905485A (zh) 2022-11-14 2022-11-14 基于常识自适应选择的共情对话方法及***

Publications (1)

Publication Number Publication Date
CN115905485A true CN115905485A (zh) 2023-04-04

Family

ID=86473888

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211422630.9A Pending CN115905485A (zh) 2022-11-14 2022-11-14 基于常识自适应选择的共情对话方法及***

Country Status (1)

Country Link
CN (1) CN115905485A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116521872A (zh) * 2023-04-27 2023-08-01 华中师范大学 一种认知和情感的联合识别方法、***及电子设备
CN116680369A (zh) * 2023-04-13 2023-09-01 华中师范大学 一种共情对话生成方法及***

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116680369A (zh) * 2023-04-13 2023-09-01 华中师范大学 一种共情对话生成方法及***
CN116680369B (zh) * 2023-04-13 2023-12-15 华中师范大学 一种共情对话生成方法及***
CN116521872A (zh) * 2023-04-27 2023-08-01 华中师范大学 一种认知和情感的联合识别方法、***及电子设备
CN116521872B (zh) * 2023-04-27 2023-12-26 华中师范大学 一种认知和情感的联合识别方法、***及电子设备

Similar Documents

Publication Publication Date Title
CN109785824B (zh) 一种语音翻译模型的训练方法及装置
CN109859736B (zh) 语音合成方法及***
CN107464559A (zh) 基于汉语韵律结构和重音的联合预测模型构建方法及***
Robinson et al. Sequence-to-sequence modelling of f0 for speech emotion conversion
CN115905485A (zh) 基于常识自适应选择的共情对话方法及***
CN113987179B (zh) 基于知识增强和回溯损失的对话情绪识别网络模型、构建方法、电子设备及存储介质
Merdivan et al. Dialogue systems for intelligent human computer interactions
CN111966800B (zh) 情感对话生成方法、装置及情感对话模型训练方法、装置
CN111667812A (zh) 一种语音合成方法、装置、设备及存储介质
Chi et al. Speaker role contextual modeling for language understanding and dialogue policy learning
CN111986687B (zh) 基于交互式解码的双语情感对话生成***
CN111128118A (zh) 语音合成方法、相关设备及可读存储介质
CN111382257A (zh) 一种生成对话下文的方法和***
CN114911932A (zh) 基于主题语义增强的异构图结构多会话者情感分析方法
CN117349427A (zh) 一种面向舆情事件应对的人工智能多模态内容生成***
Suzić et al. Style transplantation in neural network based speech synthesis
CN112163080A (zh) 一种基于多轮情绪分析的生成式对话***
CN109800295A (zh) 基于情感词典和词概率分布的情感会话生成方法
Wu et al. Rapid Style Adaptation Using Residual Error Embedding for Expressive Speech Synthesis.
CN117710533B (zh) 一种基于扩散模型的音乐条件化舞蹈动画生成方法
Lee et al. Many-to-many unsupervised speech conversion from nonparallel corpora
CN114360485A (zh) 语音处理方法、***、装置及介质
CN114386426A (zh) 一种基于多元语义融合的金牌话术推荐方法及装置
CN117592564A (zh) 问答交互方法、装置、设备及介质
CN116108856B (zh) 基于长短回路认知与显隐情感交互的情感识别方法及***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination