ดาวน์โหลดซอร์สโค้ด focused empathy - ดาวน์โหลดซอร์สโค้ด focused empathy

focused empathy

โค้ดแหล่งที่มา AI

1.0.0

ดาวน์โหลด

มุมมองและการปฏิบัติเพื่อการสร้าง
การตอบสนองอย่างเห็นอกเห็นใจมุ่งเน้นไปที่สาเหตุทางอารมณ์

รูป

การใช้งาน PyTorch อย่างเป็นทางการและชุดการประเมิน EmoCause ของรายงาน EMNLP 2021 ของเรา
คิมฮยอนอู คิมบยองชาง และคิมกุนฮี การมองมุมมองและเชิงปฏิบัติเพื่อสร้างการตอบสนองอย่างเห็นอกเห็นใจโดยเน้นไปที่สาเหตุทางอารมณ์ EMNLP , 2564 [กระดาษ]

TL; DR : เพื่อแสดงความเห็นอกเห็นใจอย่างลึกซึ้งในบทสนทนา เรายืนยันว่าการตอบสนองควรมุ่งเน้นไปที่สาเหตุของอารมณ์ ด้วยแรงบันดาลใจจาก มุมมอง ของมนุษย์ เราขอเสนอ เครื่องมือประมาณค่าอารมณ์แบบกำเนิด (GEE) ซึ่งสามารถจดจำคำที่ทำให้เกิดอารมณ์ได้ โดยยึดตามป้ายกำกับอารมณ์ระดับประโยคเท่านั้น โดยไม่มีคำอธิบายประกอบระดับคำ ( เช่น การกำกับดูแลที่อ่อนแอ) เพื่อประเมินแนวทางของเรา เราจะใส่คำอธิบายประกอบคำพูดที่ทำให้เกิดอารมณ์และเผยแพร่ชุดการประเมิน EmoCause นอกจากนี้เรายังเสนอวิธี การเชิงปฏิบัติ เพื่อสร้างคำตอบที่เน้นคำที่กำหนดเป้าหมายจากบริบท

อ้างอิง

หากคุณใช้เนื้อหาในคลังนี้เป็นส่วนหนึ่งของงานวิจัยที่ได้รับการตีพิมพ์ เราขอให้คุณอ้างอิงเอกสารต่อไปนี้:

 @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
}

การนำไปปฏิบัติ

ความต้องการของระบบ

หลาม 3.7.9
ไพทอร์ช 1.6.0
GPU รองรับ CUDA 10.2 พร้อมหน่วยความจำอย่างน้อย 24GB
ดูที่environment.ymlสำหรับรายละเอียด

การตั้งค่าสภาพแวดล้อม

โค้ดของเราสร้างขึ้นบนเฟรมเวิร์ก ParlAI เราขอแนะนำให้คุณสร้างสภาพแวดล้อม conda ดังต่อไปนี้

conda env create -f environment.yml

และเปิดใช้งานด้วย

conda activate focused-empathy
python -m spacy download en

การประเมิน EmoCause ถูกกำหนดไว้สำหรับการรับรู้สาเหตุทางอารมณ์ที่มีการควบคุมดูแลอย่างอ่อนแรง

EmoCause เป็นชุดข้อมูลของคำที่ทำให้เกิดอารมณ์ที่มีคำอธิบายประกอบในสถานการณ์ทางอารมณ์จากชุด EmpatheticDialogues และชุดทดสอบที่ถูกต้อง เป้าหมายคือการรับรู้คำที่ทำให้เกิดอารมณ์ในประโยคโดยการฝึกเฉพาะป้ายกำกับอารมณ์ระดับประโยคโดยไม่มีป้ายกำกับระดับคำ ( เช่น การจดจำสาเหตุอารมณ์ที่มีการควบคุมดูแลอย่างอ่อนแรง ) EmoCause ขึ้นอยู่กับข้อเท็จจริงที่ว่ามนุษย์ไม่รู้จักสาเหตุของอารมณ์ด้วยการเรียนรู้ภายใต้การดูแลบนฉลากสาเหตุระดับคำ ดังนั้นเราจึงไม่มีชุดฝึกซ้อมให้

รูป

คุณสามารถดาวน์โหลดชุด EmoCause eval ได้ [ที่นี่]
โปรดทราบว่าชุดข้อมูลจะถูกดาวน์โหลดโดยอัตโนมัติเมื่อคุณเรียกใช้คำสั่งการทดสอบด้านล่าง

สถิติและโครงสร้างข้อมูล

	#อารมณ์	ประเภทป้ายกำกับ	#ฉลาก/คำพูด	#คำพูด
อีโมสาเหตุ	32	คำ	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
}

กำลังดำเนินการทดลอง

รุ่นที่เกี่ยวข้องทั้งหมดจะถูกดาวน์โหลดโดยอัตโนมัติเมื่อรันคำสั่งต่อไปนี้
นอกจากนี้เรายังมีลิงก์ดาวน์โหลดด้วยตนเอง: [GEE] [Finetuned Blender]

อารมณ์ที่ได้รับการดูแลอย่างอ่อนแอทำให้เกิดการจดจำคำด้วย GEE บน EmoCause

คุณสามารถประเมินเครื่องประมาณค่าอารมณ์เชิงสร้างสรรค์ (GEE) ที่เราเสนอได้ในชุดประเมิน EmoCause

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

มุ่งเน้นการสร้างการตอบสนองอย่างเห็นอกเห็นใจด้วย Blender ที่ได้รับการปรับแต่งอย่างละเอียดบน EmpatheticDialogues

คุณสามารถประเมินแนวทางของเราในการสร้างการตอบสนองต่อความเห็นอกเห็นใจที่มุ่งเน้นได้ที่ด้านบนของ Blender ที่ได้รับการปรับแต่งอย่างละเอียด (ไม่คุ้นเคยกับ Blender ดูที่นี่!)

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

การเพิ่มแฟล็ก --alpha 0 จะทำให้ Blender ทำงานได้โดยไม่เน้นในทางปฏิบัติ คุณยังสามารถลองใช้ตัวเบี่ยงเบนแบบสุ่ม (ธรรมดา S1) ได้โดยการเพิ่ม --distractor-type random

หากต้องการวัดคะแนนการตีความและการสำรวจ ให้ตั้งค่า --empathy-score เป็น True มันจะดาวน์โหลดโมเดล RoBERTa ที่ได้รับการปรับแต่งบน EmpatheticDialogues โดยอัตโนมัติ สำหรับรายละเอียดเพิ่มเติมเกี่ยวกับคะแนนความเห็นอกเห็นใจ โปรดไปที่ repo ดั้งเดิม

รับทราบ

เราขอขอบคุณผู้ตรวจสอบที่ไม่ระบุชื่อสำหรับความคิดเห็นที่เป็นประโยชน์เกี่ยวกับงานนี้

งานวิจัยนี้ได้รับการสนับสนุนจาก Samsung Research Funding Center ของ Samsung Electronics ภายใต้โครงการหมายเลข SRFCIT210101 ทรัพยากรคอมพิวเตอร์และการศึกษาของมนุษย์ได้รับการสนับสนุนจากโครงการวิจัยสมองโดย National Research Foundation of Korea (NRF) (2017M3C7A1047860)