摘要
对话系统的研究有着悠久的历史，早期的对话系统主要应用于客服咨询、酒店预定、教育培训等特定领域。近年来随着对话领域数据量和计算资源的快速增长，以及深度学习和大模型预训练技术的应用，对话系统在这些特定领域不仅拥有良好的表现，而且对人类语言的理解能力也大幅提升。人们已经不满足于让对话系统完成特定任务，还要求其在能够理解人类语言同时在交互过程中有更多的情感表达。共情是人类对话中实现情感交流的重要方式，因此让机器具备共情能力，能够促进机器与人类的情感交流，提升用户的体验，与用户建立更加紧密的联系。 目前的对话系统可以分为知识型共情对话系统和非知识型共情对话系统两种。非知识型共情对话系统主要通过融合不同的情感输出和模仿用户的对话情感产生共情回复，然而由于缺乏外部知识，非知识型共情对话系统不能很好地理解用户的情感，容易产生不相关的通用回复。而知识型共情对话系统通过引入外部知识能够理解用户话语背后的含义和细微的情感，并将知识融入回复中，进而产生有意义的、共情的回复。但知识型共情对话系统往往面临着引入不相关的知识或知识未被很好地利用等问题。因此针对这些问题，提出以下解决方法：（1）我们提出了一种新的选择外部知识的方法。首先，通过情感线索识别出引起对话情感的原因，其次，从知识库中找出与情感原因相关的知识。通过这种方式解决了选出不相关知识的问题，实验结果显示，我们的方法能够选出与对话相关的知识。（2）我们使用了互信息最大化机制增加外部知识和对话历史、回复之间的依赖程度。互信息最大化机制能够捕捉外部知识和对话历史、回复之间的潜在关联，进而生成更加富有共情性的回复。具体而言：首先，将知识之间的互信息最大化。使来自同一个对话的知识互信息最大化，即这些知识在语义上高度相关且紧密相连。与之相反，对于来自不同对话的知识，力求使其互信息降至最低，以减少无关知识的混淆与干扰。其次，将知识与对话上下文之间的互信息最大化。在此步骤中，着力提升当前对话上下文与其对应知识的互信息值，确保二者之间的信息关联较为显著且精准匹配。同时，努力降低当前上下文与来自其他对话上下文的知识之间的互信息，避免无关知识对当前对话理解及回复生成的干扰。 综上所述，通过对互信息机制的有效利用，我们的对话系统在理解和生成回复时，能够更精准地整合外部知识与对话历史信息，从而生成既符合语境又能够共情的高质量回复，同时提高了对用户情感动态的感知力。 通过这两种方法，我们选出了与对话相关的知识，并将知识应用到回复中，生成了与上下文相关且富有共情性的回复。实验结果证明，我们的方法在多个指标上都取得了令人满意的结果。
NETL