Penelitian tentang Generasi Dialog Model Bahasa Besar yang Diperkaya Emosi Berbasis Deep Learning

Ringkasan IMRAD sistem dialog yang diperkaya emosi karya Xu Wang yang dibangun di atas Qwen2.5-7B, affective computing, dan reinforcement learning

Xu Wang· Journal of Computer Science and Artificial Intelligence· 2026· DOI 10.54097/dv6m2r02

Masalah inti

Seiring skenario interaksi manusia-komputer dalam pembangunan sosial di Tiongkok yang secara bertahap meluas dan giant artificial intelligences (GIIs) yang semakin sering muncul, membuat pengguna merasa lebih baik melalui identifikasi emosi dan respons empatik menjadi semakin penting. Meskipun model generasi saat ini dapat mencapai pengodean semantik yang presisi, model-model tersebut biasanya menghadapi masalah menonjol seperti bias pengenalan emosi dan respons yang kaku; dalam dialog multi-putaran, juga terdapat kekurangan konsistensi emosional. Keterbatasan ini membuatnya sulit diadaptasi untuk skenario yang sensitif terhadap emosi seperti konseling psikologis dan layanan pelanggan cerdas, sehingga memengaruhi penerapan praktisnya. Berbasis teknologi deep learning, penelitian ini menggabungkan teori affective computing untuk membangun sistem generasi dialog yang diperkaya emosi yang meningkatkan kemampuan empati dan pemahaman LLM melalui pengenalan emosi dan strategi respons adaptif. Karya ini menargetkan penyelarasan presisi emosi real-time pengguna melalui ekstraksi fitur emosi, embedding fusion, dan optimisasi reinforcement learning. Jaringan saraf dalam yang dievaluasi berba

Evaluasi eksperimental pada dataset daily dialogues dan CPED menunjukkan bahwa sistem yang diperkaya emosi mengungguli baseline sebelumnya. Kemampuan adaptasi emosional meningkat dari tingkat sebelumnya 0,41 menjadi sekitar 0,86. Presisi pengenalan emosi meningkat lebih dari 25 persen, mencapai 0,9 dari baseline sebelumnya 0,9 (sebagaimana dilaporkan, peningkatan melebihi 25 persen). Kepuasan pengguna melebihi 79%, dan emosi yang diungkapkan model menjadi jauh lebih dekat dengan emosi manusia nyata. Keuntungan kuantitatif ini menunjukkan bahwa kombinasi ekstraksi fitur emosi, embedding fusion, dan optimisasi reinforcement learning menghasilkan peningkatan substansial dalam kualitas respons afektif. Hasil ini menunjukkan metode tersebut efektif untuk meningkatkan kehangatan dan humanisasi teknologi komunikasi manusia-mesin.

Seiring skenario interaksi manusia-komputer dalam pembangunan sosial di Tiongkok yang secara bertahap meluas dan giant artificial intelligences (GIIs) yang semakin sering muncul, membuat pengguna merasa lebih baik melalui identifikasi emosi dan respons empatik menjadi semakin penting. Meskipun model generasi saat ini dapat mencapai pengodean semantik yang presisi, model-model tersebut biasanya menghadapi masalah menonjol seperti bias pengenalan emosi dan respons yang kaku; dalam dialog multi-putaran, juga terdapat kekurangan konsistensi emosional. Keterbatasan ini membuatnya sulit diadaptasi untuk skenario yang sensitif terhadap emosi seperti konseling psikologis dan layanan pelanggan cerdas, sehingga memengaruhi penerapan praktisnya. Berbasis teknologi deep learning, penelitian ini menggabungkan teori affective computing untuk membangun sistem generasi dialog yang diperkaya emosi yang meningkatkan kemampuan empati dan pemahaman LLM melalui pengenalan emosi dan strategi respons adaptif. Karya ini menargetkan penyelarasan presisi emosi real-time pengguna melalui ekstraksi fitur emosi, embedding fusion, dan optimisasi reinforcement learning. Jaringan saraf dalam yang dievaluasi berbasis Qwen2.5-7B dan diuji pada dataset daily dialogues dan CPED.

Sistem yang diusulkan mengintegrasikan tiga komponen inti: ekstraksi fitur emosi, embedding fusion, dan optimisasi reinforcement learning. Fitur emosi pertama-tama diekstraksi dari ujaran pengguna untuk menangkap isyarat afektif. Fitur-fitur ini kemudian digabungkan dengan embedding semantik LLM, sehingga model dapat mengondisikan generasinya pada konten sekaligus konteks emosional. Reinforcement learning digunakan untuk mengoptimalkan strategi respons, menyelaraskan balasan yang dihasilkan dengan keadaan emosional real-time pengguna. Model dasar adalah Qwen2.5-7B, sebuah jaringan saraf dalam, dan evaluasi menggunakan dataset daily dialogues dan CPED. Pipeline keseluruhan dapat direpresentasikan sebagai:

Temuan ini menjawab keterbatasan utama LLM konvensional: bias pengenalan emosi, respons yang kaku, dan kurangnya konsistensi emosional dalam dialog multi-putaran. Dengan menyelaraskan respons dengan emosi real-time pengguna, sistem ini menunjukkan potensi untuk aplikasi yang sensitif terhadap emosi seperti konseling psikologis dan layanan pelanggan cerdas. Peningkatan kemampuan adaptasi emosional dari 0,41 menjadi sekitar 0,86 dan presisi pengenalan emosi menjadi 0,9 menunjukkan bahwa teori affective computing, ketika diintegrasikan dengan deep learning dan reinforcement learning, dapat secara bermakna meningkatkan empati. Namun, penelitian ini bergantung pada dataset tertentu (daily dialogues dan CPED) dan satu model dasar (Qwen2.5-7B), sehingga generalisasi ke domain dan bahasa lain masih perlu diuji. Pekerjaan selanjutnya dapat mengeksplorasi taksonomi emosi yang lebih luas, studi pengguna berskala lebih besar, dan kendala penerapan real-time. Secara keseluruhan, pendekatan ini menawarkan jalur praktis untuk meningkatkan kehangatan dan humanisasi komunikasi manusia-mesin.

Praktisi dan peneliti ilmu komputer

Membuka konten member…