Persona-Based Synthetic Data Generation Using Multi-Stage Conditioning with Large Language Models for Emotion Recognition

📄 arXiv: 2507.13380v2 📥 PDF

作者: Keito Inoshita, Rushia Harada

分类: cs.CL, cs.AI

发布日期: 2025-07-15 (更新: 2025-09-13)

💡 一句话要点

PersonaGen：基于多阶段条件LLM的合成数据生成，用于情感识别

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 情感识别 合成数据生成 大型语言模型 角色建模 多阶段条件生成

📋 核心要点

  1. 高质量情感数据集稀缺，且情感表达受个体差异影响，导致情感识别模型开发面临挑战。
  2. PersonaGen通过构建多层次虚拟角色，并结合情境信息，指导LLM生成情感丰富的文本。
  3. 实验表明，PersonaGen生成的数据在多样性、连贯性和可区分性上优于基线，可用于增强情感数据集。

📝 摘要（中文）

情感识别领域由于高质量、多样化情感数据集的稀缺，高性能模型的开发仍然面临挑战。情感表达本质上是主观的，受个体人格特质、社会文化背景和情境因素的影响，使得大规模、通用化的数据收集在伦理和实践上都存在困难。为了解决这个问题，我们引入了PersonaGen，这是一个新颖的框架，通过基于多阶段角色的条件作用，使用大型语言模型（LLM）生成情感丰富的文本。PersonaGen通过结合人口属性、社会文化背景和详细的情境语境来构建分层虚拟角色，然后将其用于指导情感表达的生成。我们对生成的合成数据进行了全面的评估，通过聚类和分布度量来评估语义多样性，通过基于LLM的质量评分来评估人类相似度，通过与真实世界情感语料库的比较来评估真实性，以及在下游情感分类任务中的实际效用。实验结果表明，PersonaGen在生成多样化、连贯和可区分的情感表达方面显著优于基线方法，证明了其作为增强或替代真实世界情感数据集的强大替代方案的潜力。

🔬 方法详解

问题定义：情感识别模型训练需要大量高质量、多样化的情感数据，但真实情感数据的收集面临伦理和实践上的困难，因为情感表达具有主观性，受到个体人格、社会文化背景和情境因素的影响。现有方法难以生成足够逼真和多样化的情感数据，限制了情感识别模型的性能提升。

核心思路：PersonaGen的核心思路是利用大型语言模型（LLM）的强大生成能力，通过构建具有丰富属性的虚拟角色（Persona），并结合具体情境信息，来引导LLM生成具有特定情感色彩的文本。通过控制角色的属性和社会背景，可以生成多样化的情感表达，从而缓解数据稀缺问题。

技术框架：PersonaGen采用多阶段条件生成框架。第一阶段，定义虚拟角色，包括人口统计属性、社会文化背景等。第二阶段，构建具体的情境描述，例如事件、地点、人物关系等。第三阶段，将角色属性和情境描述作为条件输入到LLM中，生成带有情感色彩的文本。整个流程旨在模拟真实人类的情感表达过程，从而生成更逼真、更具多样性的情感数据。

关键创新：PersonaGen的关键创新在于其多阶段角色条件生成方法。与以往直接使用LLM生成情感文本的方法不同，PersonaGen通过显式地建模角色属性和社会背景，并将其作为生成过程的条件，从而更好地控制生成文本的情感色彩和多样性。这种方法能够生成更具个性化和情境化的情感表达，更接近真实人类的情感表达方式。

关键设计：PersonaGen的关键设计包括角色属性的定义、情境描述的构建以及LLM的选择和微调。角色属性可以包括年龄、性别、职业、教育程度、性格特点等。情境描述可以包括事件类型、地点、人物关系等。LLM可以选择预训练的语言模型，并通过情感数据集进行微调，以提高其生成情感文本的能力。此外，还可以设计损失函数来鼓励生成文本的多样性和情感强度。

📊 实验亮点

实验结果表明，PersonaGen在生成多样性、连贯性和可区分性的情感表达方面显著优于基线方法。通过聚类和分布度量评估了生成数据的语义多样性，通过LLM评分评估了人类相似度，通过与真实语料库比较评估了真实性。在下游情感分类任务中，使用PersonaGen生成的数据训练的模型性能得到了显著提升，证明了其在情感数据增强方面的有效性。

🎯 应用场景

PersonaGen生成的合成数据可用于增强或替代真实情感数据集，从而提升情感识别模型的性能。该技术可应用于智能客服、情感聊天机器人、心理健康监测等领域，帮助机器更好地理解人类情感，提供更个性化、更人性化的服务。未来，该技术还可扩展到其他领域，例如生成具有特定风格的文本、创作虚拟角色等。

📄 摘要（原文）

In the field of emotion recognition, the development of high-performance models remains a challenge due to the scarcity of high-quality, diverse emotional datasets. Emotional expressions are inherently subjective, shaped by individual personality traits, socio-cultural backgrounds, and contextual factors, making large-scale, generalizable data collection both ethically and practically difficult. To address this issue, we introduce PersonaGen, a novel framework for generating emotionally rich text using a Large Language Model (LLM) through multi-stage persona-based conditioning. PersonaGen constructs layered virtual personas by combining demographic attributes, socio-cultural backgrounds, and detailed situational contexts, which are then used to guide emotion expression generation. We conduct comprehensive evaluations of the generated synthetic data, assessing semantic diversity through clustering and distributional metrics, human-likeness via LLM-based quality scoring, realism through comparison with real-world emotion corpora, and practical utility in downstream emotion classification tasks. Experimental results show that PersonaGen significantly outperforms baseline methods in generating diverse, coherent, and discriminative emotion expressions, demonstrating its potential as a robust alternative for augmenting or replacing real-world emotional datasets.