典型文献
基于生成对抗网络的情感对话回复生成
文献摘要：
近年来,随着神经网络技术和自然语言处理技术的不断深入发展,基于深度神经网络的对话生成研究取得了突破性的进展,使得人机对话系统广泛应用于生活中,提供便利,比如电商客服、语音助手等.然而,现有的模型倾向于产生一般的回答,普遍缺乏情感因素.针对该问题,提出了一种基于生成对抗网络的情感对话内容生成模型——EC-GAN(emotional conversation generative adversarial network),通过结合多指标奖励与情感编辑约束产生更有意义和可定制的情感回复.对于生成器,使用Seq2Seq模型生成回复,接受判别器的奖励,引导生成句子的回复,提高多样性和情感丰富度;对于判别器,使用双判别器、内容判别器可以确定回复是否属于通用回复,情感判别器判别生成语句的情感与指定的情感类别的一致性,并将判别结果反馈到生成器,指导回复生成.注意观察输入与回复之间的情感变化,验证交互情感的共鸣度存在的方向性.在NLPCC 2017 Shared Task 4——emotional conversation generation的实验表明,模型不仅可以提高回复的流畅性和多样性,同时也显著提高了情感丰富度.
文献关键词：
情感对话生成;情感编辑;生成对抗网络;多分类器
中图分类号：
作者姓名：
李凯伟;马力
作者机构：
西北大学 网络和数据中心,西安 710127;西安邮电大学 计算机学院,西安 710121
文献出处：
引用格式：
[1]李凯伟;马力-.基于生成对抗网络的情感对话回复生成)[J].计算机工程与应用,2022(18):130-136
A类：
情感编辑
B类：
生成对抗网络,回复,复生,神经网络技术,自然语言处理技术,深度神经网络,人机对话,对话系统,商客,客服,语音助手,情感因素,对话内容,内容生成,生成模型,EC,GAN,emotional,conversation,generative,adversarial,network,多指标,更有意义,生成器,Seq2Seq,模型生成,句子,丰富度,双判别器,成语,语句,情感类别,结果反馈,情感变化,共鸣,方向性,NLPCC,Shared,Task,generation,流畅性,情感对话生成,多分类器
AB值：
0.417642
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
