基于大语言模型多阶段推理的情绪支持对话生成方法OA北大核心CSTPCD

情绪支持对话任务需在充分理解用户心理状态的基础上,采取特定的对话策略进行支持性回复,以减轻用户的情绪困扰。现有的研究大多采用端到端生成的方法,通过微调的方式调整小型预训练语言模型,以对情绪支持任务进行适配。然而,这些方法缺乏对用户心理状态的细粒度理解,导致共情程度不足,并且模型决策过程不透明,导致可解释性较差。为解决上述问题,受目前大语言模型出色的推理能力启发,提出了一种基于大语言模型的情绪支持对话推理框架CoES(chain-of-emotional-support),将端到端的生成问题转化为分阶段的推理问题,从而将复杂的情绪支持任务分解为简单子任务来逐步解决。该框架由情绪推理链、策略推理链、回复生成链三条思维链组成,分别用于用户心理状态的细粒度挖掘、情绪支持策略的选择以及回复的生成与优化。针对性地设计了不同的外部知识增强策略,以改善大模型在心理状态挖掘及支持策略选择过程中的推理效果。ESConv数据集上的人工评估及自动评估结果表明,所提出的推理方法在情绪支持的可解释性及内容生成质量方面达到了先进的性能。