高级搜索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于主从博弈的多方人机交互对话心理模型

黄宏程 苏美丹 寇兰 陶洋 胡敏

黄宏程, 苏美丹, 寇兰, 陶洋, 胡敏. 基于主从博弈的多方人机交互对话心理模型[J]. 电子与信息学报, 2023, 45(5): 1758-1765. doi: 10.11999/JEIT220441
引用本文: 黄宏程, 苏美丹, 寇兰, 陶洋, 胡敏. 基于主从博弈的多方人机交互对话心理模型[J]. 电子与信息学报, 2023, 45(5): 1758-1765. doi: 10.11999/JEIT220441
HUANG Hongcheng, SU Meidan, KOU Lan, TAO Yang, HU Min. Multi-party Human-computer Interaction Dialogue Psychology Model Based on Stackelberg Game[J]. Journal of Electronics & Information Technology, 2023, 45(5): 1758-1765. doi: 10.11999/JEIT220441
Citation: HUANG Hongcheng, SU Meidan, KOU Lan, TAO Yang, HU Min. Multi-party Human-computer Interaction Dialogue Psychology Model Based on Stackelberg Game[J]. Journal of Electronics & Information Technology, 2023, 45(5): 1758-1765. doi: 10.11999/JEIT220441

基于主从博弈的多方人机交互对话心理模型

doi: 10.11999/JEIT220441
基金项目: 国家自然科学基金(61871062)
详细信息
    作者简介:

    黄宏程:男,副教授,研究方向为认知情感计算、复杂网络与信息传播理论

    苏美丹:女,硕士生,研究方向为智能人机交互与虚拟现实

    寇兰:女,副教授,研究方向为D2D通信、人机交互理论与技术应用

    陶洋:男,教授,研究方向为人工智能、大数据与计算智能

    胡敏:女,教授,研究方向为信息通信网络体系结构、人机交互理论与技术应用

    通讯作者:

    黄宏程  huanghc@cqupt.edu.cn

  • 中图分类号: TN912.3; TP242.6

Multi-party Human-computer Interaction Dialogue Psychology Model Based on Stackelberg Game

Funds: The National Natural Science Foundation of China (61871062)
  • 摘要: 针对现有的多方人机交互存在分寸感把握较差、机器人回复自主性不强的问题,该文依据心理语言学关于对话心理理论,提出一种基于主从博弈的多方人机交互对话心理模型。该模型模拟了人与人交流时交互多方的心理过程,考虑到多方交互中主导者与从属者的交流特征,采取单主多从的博弈模型加以形式化表示,并使机器人扮演从属者角色,对多方主从博弈过程中从属关系带来的收益进行考量,将这一考量结果作为机器人回复的重要决策依据。实验结果表明,扮演从属者角色的机器人在与多方进行交互时,能准确把握对话分寸,在合适的时机下进行回复,进一步提升机器人回复的合理性与自主性。
  • 图  1  多方人机交互的对话过程示意

    图  2  基于主从博弈的多方人机交互对话心理模型

    图  3  年龄和性别分布

    表  1  收益值设置

    角色类型 收益值 策略
    主导者主导者 101 作为话题的发起方,展开话题作为话题的结束方,结束话题
    从属者 10 发表高质量、主题相关的话语
    从属者 1 发表低质量、主题无关的话语
    下载: 导出CSV
    算法1 基于主从博弈的多方人机交互对话心理模型
     输入: $ k $次会话多方的输入内容 $ \left\{ {{C_1},{C_2},\cdots,{C_n}} \right\} $,机器人的角色     定位初始化为从属者 ${S_0}$;
     输出: $ k{\text{ + 1}} $次会话时机器人的回复策略;
     (1) Repeat:
      (2)多方输入内容 $ \left\{ {{C_1},{C_2},\cdots,{C_n}} \right\} $;
      (3) 根据式(2)—式(11)分析多方的对话策略,计算多方的从属度;
      (4) 根据式(12)得到博弈方的策略-收益函数 $ Q $;
      (5) 根据式(13)—式(15)计算机器人作为从属者的最优回复策     略 $ \pi $;
      (6) 通过最优回复策略 $ \pi $得到机器人的下一次回复行为 $ A $;
      (7) 当机器人需要参与对话时,机器人在下一次会话中做出响     应回复;
      (8) 令 $ k = k{\text{ + 1}} $;
     (9) Until 多方停止交互输入;
     (10) 多方人机交互会话终止;
    下载: 导出CSV

    表  2  友好性和合理评价标准

    友好性 评价指标
    +2 内容相关性好,连贯性强,语言表达自然流畅, 符合人的说话习惯
    +1 内容勉强相关,连贯性一般,语言表达正确
    +0 内容勉强相关,语言表达有些错误
    –1 内容相关性很低,语言表达出现较多错误
    –2 内容不相关,答非所问
    合理性 评价指标
    +2 回复的频率适度
    +1 回复频率较高或较低
    +0 需要用户重复对话才能理解
    –1 强行打断用户之间的互动交流
    –2 长时间的“尴尬”沉默
    下载: 导出CSV

    表  3  不同对比模型的自动评测结果

    模型 MRR MAP
    CATD 0.525 0.548
    GSN 0.517 0.545
    ChatterBot 0.452 0.483
    MIDS 0.639 0.674
    本文 0.656 0.687
    下载: 导出CSV

    表  4  真阳性率和伪阳性率计算结果表

    计算结果 TPR FPR
    分数 0.80 0.40
    下载: 导出CSV

    表  5  志愿者与模型交互轮数和时间统计

    模型 平均交互轮数 平均交互时间(s)
    CATD 4.68 84.29
    GSN 5.86 82.98
    ChatterBot 2.95 73.68
    MIDS 6.18 110.27
    本文 9.45 122.58
    下载: 导出CSV

    表  6  志愿者对各模型友好性和合理性打分统计

    模型 友好性 合理性
    CATD 1.42 0.87
    GSN 1.38 1.21
    ChatterBot 1.22 0.72
    MIDS 1.60 1.38
    本文 1.58 1.47
    下载: 导出CSV
  • [1] 陈鑫, 周强. 开放型对话技术研究综述[J]. 中文信息学报, 2021, 35(11): 1–12.

    CHEN Xin and ZHOU Qiang. A survey of research on open domain dialogue systems[J]. Journal of Chinese Information Processing, 2021, 35(11): 1–12.
    [2] ZHU Qingfu, CUI Lei, ZHANG Weinan, et al. Retrieval-enhanced adversarial training for neural response generation[C]. The 57th Annual Meeting of the Association for Computational Linguistics, Florence, Italy, 2019: 3763–3773.
    [3] UTHUS D C and AHA D W. Multiparticipant chat analysis: A survey[J]. Artificial Intelligence, 2013, 199/200: 106–121. doi: 10.1016/j.artint.2013.02.004
    [4] 张开颜, 张伟男, 刘挺. 基于深度学习的多方对话研究综述[J]. 中国科学:信息科学, 2021, 51(8): 1217–1232. doi: 10.1360/SSI-2020-0176

    ZHANG Kaiyan, ZHANG Weinan, and LIU Ting. A survey of multi-party dialogue research based on deep learning[J]. Scientia Sinica Informationis, 2021, 51(8): 1217–1232. doi: 10.1360/SSI-2020-0176
    [5] KENNINGTON C, FUNAKOSHI K, TAKAHASHI Y, et al. Probabilistic multiparty dialogue management for a game master robot[C]. 2014 ACM/IEEE International Conference on Human-Robot Interaction, Bielefeld, Germany, 2014: 200–201.
    [6] ŻARKOWSKI M. Multi-party turn-taking in repeated human-robot interactions: An interdisciplinary evaluation[J]. International Journal of Social Robotics, 2019, 11(5): 693–707. doi: 10.1007/s12369-019-00603-1
    [7] DE BAYSER M G, GUERRA M A, CAVALIN P, et al. Specifying and implementing multi-party conversation rules with finite-state-automata[C]. The Thirty-Second AAAI Conference on Artificial Intelligence, New Orleans, USA, 2018: 713–719.
    [8] MALIK U, SAUNIER J, FUNAKOSHI K, et al. Who speaks next? Turn change and next speaker prediction in multimodal multiparty interaction[C]. The 2020 IEEE 32nd International Conference on Tools with Artificial Intelligence, Baltimore, USA, 2020: 349–354.
    [9] LE Ran, HU Wenpeng, SHANG Mingyue, et al. Who is speaking to whom? Learning to identify utterance addressee in multi-party conversations[C]. The 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing, Hong Kong, China, 2019: 1909–1919.
    [10] TAN Ming, WANG Dakuo, GAO Yupeng, et al. Context-aware conversation thread detection in multi-Party Chat[C]. 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing, Hong Kong, China, 2019: 6456–6461.
    [11] HU Wenpeng, CHAN Zhangming, LIU Bing, et al. GSN: A graph-structured network for multi-party dialogues[C]. The 28th International Joint Conference on Artificial Intelligence, Macao, China, 2019: 5010–5016.
    [12] DZIRI N, KAMALLOO E, MATHEWSON K, et al. Augmenting neural response generation with context-aware topical attention[C]. The First Workshop on NLP for Conversational AI, Florence, Italy, 2019: 18–31.
    [13] 成驰. 一类基于Stackelberg博弈的多智能体强化学习算法[D]. [硕士论文], 南京大学, 2017.

    CHENG Chi. A multi-agent reinforcement learning algorithm based on stackelberg game[D]. [Master dissertation], Nanjing University, 2017.
    [14] 华生. 欲望心理学: 人际交往中的心理博弈[M]. 北京: 中央编译出版社, 2016: 1–5.

    HUA Sheng. Psychology on Desire: Psychological Game in Interpersonal Communication[M]. Beijing: Central Compilation & Translation Press, 2016: 1–5.
    [15] 赵姝, 刘晓曼, 段震, 等. 社交关系挖掘研究综述[J]. 计算机学报, 2017, 40(3): 535–555. doi: 10.11897/SP.J.1016.2017.00535

    ZHAO Shu, LIU Xiaoman, DUAN Zhen, et al. A survey on social ties mining[J]. Chinese Journal of Computers, 2017, 40(3): 535–555. doi: 10.11897/SP.J.1016.2017.00535
    [16] 韩程程, 李磊, 刘婷婷, 等. 语义文本相似度计算方法[J]. 华东师范大学学报:自然科学版, 2020(5): 95–112. doi: 10.3969/j.issn.1000-5641.202091011

    HAN Chengcheng, LI Lei, LIU Tingting, et al. Approaches for semantic textual similarity[J]. Journal of East China Normal University: Natural Science, 2020(5): 95–112. doi: 10.3969/j.issn.1000-5641.202091011
    [17] HASAN M, RAHMAN A, KARIM R, et al. Normalized approach to find optimal number of topics in Latent Dirichlet allocation (LDA)[M]. KAISER M S, BANDYOPADHYAY A, MAHMUD M, et al. Proceedings of International Conference on Trends in Computational and Cognitive Engineering. Singapore: Springer, 2021: 341–354.
    [18] SUN Xiang, LIU Lu, AYORINDE A, et al. ED-SWE: Event detection based on scoring and word embedding in online social networks for the internet of people[J]. Digital Communications and Networks, 2021, 7(4): 559–569. doi: 10.1016/j.dcan.2021.03.006
    [19] LU Xin, DENG Yao, SUN Ting, et al. MKPM: Multi keyword-pair matching for natural language sentences[J]. Applied Intelligence, 2022, 52(2): 1878–1892. doi: 10.1007/s10489-021-02306-5
    [20] SHANMUGAPRIYA P and MARIMUTHU H. Development of chatterbot using python[J]. International Journal of Computer Applications, 2020, 176(21): 18–20. doi: 10.5120/ijca2020920184
    [21] YOUFOU. Wxpy messages[EB/OL]. https://wxpy.readthedocs.io/zh/latest/messages.html, 2021.
    [22] YANG Qichuan, HE Zhiqiang, ZHAN Zhiqiang, et al. End-to-End personalized humorous response generation in untrimmed multi-role dialogue system[J]. IEEE Access, 2019, 7: 94059–94071. doi: 10.1109/ACCESS.2019.2926830
    [23] WU Yu, WU Wei, XING Chen, et al. Sequential matching network: A new architecture for multi-turn response selection in retrieval-based chatbots[C]. The 55th Annual Meeting of the Association for Computational Linguistics, Vancouver, Canada, 2017: 496–505.
  • 加载中
图(3) / 表(7)
计量
  • 文章访问数:  425
  • HTML全文浏览量:  368
  • PDF下载量:  91
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-04-13
  • 修回日期:  2022-06-17
  • 网络出版日期:  2022-06-24
  • 刊出日期:  2023-05-10

目录

    /

    返回文章
    返回