1.基于定量情绪分析的自适应共情对话方法,其特征在于,包括以下步骤S1~ S7:步骤S1,接收用户输入的对话语句;
步骤S2,使用预训练语言模型编码器对用户输入的对话语句进行编码处理,以将该对话语句转换为上下文相关的隐藏状态序列,并捕捉对话语句中每个词汇在对话语句中的语义和语法;
步骤S3,对当前对话语句中各词汇对于对话历史的情感贡献做量化计算,以得到全局情感表示数据;
步骤S4,将生成的该全局情感表示数据映射到不同极性的情感空间,以获取得到情感极性概率数据;以及将该全局情感表示数据映射到细粒度情绪类别空间,以获取得到情绪概率数据;
步骤S5,利用全局情感表示数据、情感极性概率数据和情绪概率数据,对当前话语句中的情感线索做量化计算;
步骤S6,利用大语言模型基于当前响应策略,根据对话历史,并结合所得情感极性概率数据和情绪概率数据,生成对话目标,并使用预训练语言模型编码器对该对话目标进行编码后,计算表征情感线索与编码后所得对话目标匹配性的相似度数据;
步骤S7,利用大语言模型并基于所得相似度数据对响应策略做优化处理,生成匹配用户当前对话语句的个性化共情对话;其中:在步骤S3中,全局情感表示数据的计算过程包括步骤S31~S33:步骤S31,计算对话历史对应的整体情感倾向表示;
步骤S32,计算当前对话语句序列中每个词汇所对应上下文嵌入表示与整体情感倾向表示之间的相似度,生成表征当前对话语句中各词汇对所述对话历史整体情感贡献的注意力权重;
步骤S33,根据每个词汇所对应上下文嵌入表示和所得对应的注意力权重,计算全局情感表示数据;
在步骤S5中,情感线索的计算方法为:
步骤S51,根据所得任一情感类别所对应的概率分布与预设概率阈值做出判断处理:当任一情感类别所对应的概率分布大于预设概率阈值时,转入步骤S52;否则,转入步骤S53;
步骤S52,计算当前对话语句中各词汇分别对当前对话语句整体情感贡献的注意力权重与对所述对话历史整体情感贡献的注意力权重之间的注意力权重和值,且将所得注意力权重和值中的最大值所对应词汇所对应的上下文嵌入表示作为所述情感线索;
步骤S53,将全局情感表示数据作为所述情感线索。
2.根据权利要求1所述的基于定量情绪分析的自适应共情对话方法,其特征在于,在生成所述个性化共情对话后,还包括:接收用户输入的反馈信息;
大语言模型根据该反馈信息自适应优化并更新响应策略;
大语言模型基于实时更新后的响应策略,生成供下次对话的对话目标。
3.根据权利要求1或2所述的基于定量情绪分析的自适应共情对话方法,其特征在于,在步骤S2中,使用预训练语言模型编码器对用户输入的对话语句进行编码处理的过程包括如下步骤S21~ S22:步骤S21,使用预训练语言模型编码器的自带分词器对所述对话语句进行分词处理,得到对话语句序列;
步骤S22,使用预训练语言模型编码器对所得对话语句序列进行编码处理,得到一组隐藏状态序列。
4.根据权利要求3所述的基于定量情绪分析的自适应共情对话方法,其特征在于,在执行完成步骤S2后,计算表征当前对话语句中各词汇分别对当前对话语句整体情感贡献的注意力权重;其中,该注意力权重的计算过程包括如下步骤:步骤Sa,通过预训练语言模型编码器中的前馈神经网络计算当前语句的情感倾向表示;
步骤Sb,基于预训练语言模型编码器中的自适应注意力机制,计算表征当前对话语句序列中每个词汇所对应上下文嵌入表示与情感倾向表示之间的相似度,生成各词汇分别对应的注意力权重。
5.根据权利要求4所述的基于定量情绪分析的自适应共情对话方法,其特征在于,在步骤S4中,不同极性的情感空间包括正向情感空间、负向情感空间和中性情感空间;其中:所述情感极性概率数据的计算方法包括如下步骤S41和步骤S42:步骤S41,分别计算各极性情感空间所对应的情感极性得分;
步骤S42,使用softmax函数分别对所得各情感极性得分进行归一化处理,得到映射到各极性情感空间的情感极性概率分布;
所述情绪概率数据的计算方法包括如下步骤S4a和步骤S4b:步骤S4a,分别计算各极性情感空间所对应的情绪类别得分;
步骤S4b,使用softmax函数分别对所得各情绪类别得分进行归一化处理,得到各情绪类别的概率分布。
6.根据权利要求5所述的基于定量情绪分析的自适应共情对话方法,其特征在于,在步骤S6中,表征情感线索与编码后所得对话目标匹配性的相似度数据的计算方法包括如下步骤S61~ S64:步骤S61,使用大语言模型根据对话历史且结合情感极性概率数据和情绪概率数据,生成对话目标;
步骤S62,使用预训练语言模型编码器对该生成的对话目标进行编码计算,得到编码后对话目标,且将该编码后对话目标作为对话目标对应的情感倾向表示;
步骤S63,计算情感线索与所得编码后对话目标之间的余弦相似度;
步骤S64,对所得余弦相似度进行加权计算,得到表征情感线索与编码后对话目标匹配性的相似度数据。