focused empathy

Prise de perspective et pragmatique pour la génération
Réponses empathiques axées sur les causes émotionnelles

Implémentation officielle de PyTorch et ensemble d'évaluation EmoCause de notre article EMNLP 2021 ?
Hyunwoo Kim, Byeongchang Kim et Gunhee Kim. Prise de perspective et pragmatique pour générer des réponses empathiques centrées sur les causes émotionnelles. EMNLP , 2021 [Papier]

• TL;DR : Afin d'exprimer une empathie plus profonde dans les dialogues, nous soutenons que les réponses doivent se concentrer sur la cause des émotions. Inspiré par la prise de perspective des humains, nous proposons un estimateur d'émotion génératif (GEE) qui peut reconnaître les mots provoquant une émotion uniquement sur la base d'étiquettes d'émotion au niveau de la phrase, sans annotations au niveau du mot ( c'est-à-dire, une supervision faible). Pour évaluer notre approche, nous annotons les mots qui provoquent des émotions et publions l'ensemble d'évaluation EmoCause . Nous proposons également une méthode pragmatique pour générer des réponses centrées sur des mots ciblés à partir du contexte.

Référence

Si vous utilisez les documents de ce référentiel dans le cadre d'une recherche publiée, nous vous demandons de citer l'article suivant :

 @inproceedings { Kim:2021:empathy ,
  title = { Perspective-taking and Pragmatics for Generating Empathetic Responses Focused on Emotion Causes } ,
  author = { Kim, Hyunwoo and Kim, Byeongchang and Kim, Gunhee } ,
  booktitle = { EMNLP } ,
  year = 2021
}

Mise en œuvre

Configuration système requise

• Python 3.7.9
• Python 1.6.0
• GPU pris en charge par CUDA 10.2 avec au moins 24 Go de mémoire
• Voir environnement.yml pour plus de détails

Configuration de l'environnement

Notre code est construit sur le framework ParlAI. Nous vous recommandons de créer un environnement conda comme suit

conda env create -f environment.yml

et activez-le avec

conda activate focused-empathy
python -m spacy download en

Ensemble d'évaluation EmoCause pour la reconnaissance des causes émotionnelles faiblement supervisées

EmoCause est un ensemble de données de mots de cause d'émotion annotés dans des situations émotionnelles de l'ensemble valide et de test EmpatheticDialogues. L'objectif est de reconnaître les mots qui provoquent des émotions dans des phrases en s'entraînant uniquement sur des étiquettes d'émotion au niveau de la phrase sans étiquettes au niveau des mots ( c'est-à-dire une reconnaissance de cause d'émotion faiblement supervisée ). EmoCause est basé sur le fait que les humains ne reconnaissent pas la cause des émotions grâce à l'apprentissage supervisé sur les étiquettes de cause au niveau des mots. Nous ne proposons donc pas de kit de formation.

Vous pouvez télécharger l'ensemble d'évaluation EmoCause [ici].
Notez que l'ensemble de données sera téléchargé automatiquement lorsque vous exécutez la commande d'expérience ci-dessous.

Statistiques et structure des données

	#Émotion	Type d'étiquette	#Étiquette/Énoncé	#Énonciation
EmoCause	32	Mot	2.3	4,6K

 {
  "original_situation": the original situations in the EmpatheticDialogues,
  "tokenized_situation": tokenized situation utterances using spacy,
  "emotion": emotion labels,
  "conv_id": id for each corresponding conversation in EmpatheticDialogues,
  "annotation": list of tuples: (emotion cause word, index),
  "labels": list of strings containing the emotion cause words
}

Exécution d'expériences

Tous les modèles correspondants seront téléchargés automatiquement lors de l'exécution des commandes suivantes.
Nous fournissons également des liens de téléchargement manuel : [GEE] [Finetuned Blender]

Les émotions faiblement supervisées provoquent la reconnaissance de mots avec GEE sur EmoCause

Vous pouvez évaluer notre proposition d'estimateur d'émotion générative (GEE) sur l'ensemble d'évaluation EmoCause.

python eval_emocause.py --model agents.gee_agent:GeeCauseInferenceAgent --fp16 False

Génération de réponses empathiques ciblées avec Blender affiné sur EmpatheticDialogues

Vous pouvez évaluer notre approche pour générer des réponses empathiques ciblées au-dessus d'un Blender affiné (Vous n'êtes pas familier avec Blender ? Voir ici !).

python eval_empatheticdialogues.py --model agents.empathetic_gee_blender:EmpatheticBlenderAgent --model_file data/models/finetuned_blender90m/model --fp16 False --empathy-score False

L'ajout de l'indicateur --alpha 0 exécutera le Blender sans pragmatique. Vous pouvez également essayer le distraction aléatoire (Plain S1) en ajoutant --distractor-type random .

Pour mesurer également les scores d’interprétation et d’exploration, définissez le --empathy-score sur True . Il téléchargera automatiquement les modèles RoBERTa affinés sur EmpatheticDialogues. Pour plus de détails sur les scores d'empathie, visitez le dépôt original.

Remerciements

Nous remercions les évaluateurs anonymes pour leurs commentaires utiles sur ce travail.

Cette recherche a été soutenue par le Samsung Research Funding Center de Samsung Electronics sous le numéro de projet SRFCIT210101. Les ressources de calcul et l'étude humaine sont soutenues par le programme de recherche sur le cerveau de la Fondation nationale de recherche de Corée (NRF) (2017M3C7A1047860).

Vous avez des questions ?

Veuillez contacter Hyunwoo Kim à hyunw.kim à vl dot snu dot ac dot kr.

Licence

Ce référentiel est sous licence MIT. Voir le fichier LICENSE pour plus de détails.