User-Aware Active Knowledge Acquisition for Emotional Support Dialogue
作者: Mufan Xu, Kehai Chen, Jiahao Hu, Xinchao Xu, Muyun Yang, Tiejun Zhao, Min Zhang
分类: cs.CL
发布日期: 2026-05-28
💡 一句话要点
提出用户感知主动知识获取框架，提升情感支持对话系统性能。
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 情感支持对话 主动学习 知识获取 用户建模 心理理论
📋 核心要点
- 现有情感支持对话系统难以有效获取和泛化用户需求相关的对话知识。
- 提出用户感知主动知识获取框架（UKA），显式表示用户需求的不确定性，并融入主动学习。
- 实验表明，UKA在对话质量和用户对齐方面优于现有方法，提升了情感支持效果。
📝 摘要（中文）
情感支持在对话系统中至关重要，其成功依赖于适应用户在多轮交互中不断变化的隐性需求，并利用大型语言模型的强大推理能力。然而，由于用户需求信号通常较弱、间接，且只能通过多轮交互来消除歧义，现有的情感支持方法难以有效地获取和泛化相关的对话知识。为了弥补这一差距，我们引入了用户感知主动知识获取（UKA），这是一个无梯度的主动对话学习框架，它显式地表示了用户需求的不确定性，并将主动学习融入到知识获取和响应选择中。我们提出了一种心理理论（Theory-of-Mind）不确定性估计机制，使模型能够优先考虑响应，从而引出更具信息量的用户反馈。UKA能够在训练期间有效地探索用户对齐的对话知识，同时在测试时保持鲁棒性。跨多个对话基准和模型架构的实验表明，我们的方法在对话质量和用户对齐方面始终优于强大的基线。
🔬 方法详解
问题定义：现有情感支持对话系统面临的挑战在于，用户的情感需求通常是隐式的、动态变化的，并且需要在多轮对话中才能逐渐明确。现有的方法难以有效地从有限的交互数据中学习到用户相关的知识，导致对话质量和用户满意度不高。痛点在于如何高效地探索和利用用户相关的知识，从而更好地理解用户的情感需求并提供个性化的支持。
核心思路：本文的核心思路是利用主动学习的思想，让模型主动地选择那些能够提供更多用户需求信息的对话进行学习。通过引入“心理理论（Theory-of-Mind）”不确定性估计机制，模型可以评估自身对用户需求的理解程度，并优先选择那些不确定性高的对话进行交互，从而更有效地获取用户知识。
技术框架：UKA框架主要包含两个阶段：知识获取阶段和响应选择阶段。在知识获取阶段，模型利用心理理论不确定性估计机制选择信息量最大的对话进行交互，并从用户反馈中学习新的知识。在响应选择阶段，模型利用已学习到的知识，结合当前对话上下文，选择最合适的响应。整体流程是一个迭代的过程，模型不断地与用户交互，学习新的知识，并提升响应质量。
关键创新：最重要的技术创新点在于引入了用户感知的“心理理论”不确定性估计机制。该机制允许模型评估自身对用户需求的理解程度，并主动选择那些能够提供更多信息的对话进行学习。这与传统的被动学习方法不同，传统方法通常随机选择对话进行学习，效率较低。UKA的主动学习策略能够更有效地探索用户相关的知识，从而提升对话质量。
关键设计：心理理论不确定性估计机制的具体实现方式未知，论文中可能涉及特定的损失函数来衡量模型对用户需求的理解程度。主动学习策略可能涉及到一些超参数，例如选择多少比例的不确定性最高的对话进行学习。响应选择阶段可能使用了某种注意力机制来关注与用户需求相关的知识片段。
🖼️ 关键图片
📊 实验亮点
实验结果表明，UKA框架在多个对话基准测试中 consistently 优于强大的基线模型。具体性能数据未知，但论文强调了在对话质量和用户对齐方面的一致性提升。UKA能够更有效地探索用户相关的知识，从而提升对话质量和用户满意度。
🎯 应用场景
该研究成果可应用于各种情感支持对话场景，例如心理咨询、在线客服、智能助手等。通过更准确地理解用户的情感需求，系统可以提供更个性化、更有效的支持，从而提升用户满意度和心理健康水平。未来，该技术还可以与其他技术结合，例如语音识别、情感识别等，构建更智能、更全面的情感支持系统。
📄 摘要（原文）
Emotional support plays an important role in dialogue systems, and its success depends on adapting to a user's evolving and implicit needs across multi-turn interactions while leveraging the strong reasoning capacity of large language models. However, since signals about user needs are often weak, indirect, and can only be disambiguated through multi-turn interaction, existing emotional support methods often struggle to acquire and generalize relevant conversational knowledge efficiently. To bridge this gap, we introduce User-Aware Active Knowledge Acquisition (UKA), a gradient-free active dialogue learning framework that explicitly represents uncertainty about user needs and incorporates active learning into both knowledge acquisition and response selection.We propose a Theory-of-Mind uncertainty estimation mechanism that allows the model to prioritize responses, thereby eliciting more informative user feedback. UKA is capable of efficiently exploring user-aligned conversational knowledge during training while maintaining robustness at test time. Experiments across multiple dialogue benchmarks and model architectures demonstrate that our approach consistently outperforms strong baselines in dialogue quality and user alignment.