用于情感支持对话的用户感知主动知识获取

情感支持在对话系统中发挥着重要作用，其成功取决于适应用户在多轮交互中不断变化的隐性需求，同时利用 大语言模型 强大的推理能力。然而，由于有关用户需求的信号通常是微弱的、间接的，并且只能通过多轮交互来消除歧义，现有的情感支持方法往往难以有效地获取和概括相关的会话知识。为了弥补这一差距，我们引入了用户感知主动知识获取（UKA），这是一种无梯度的主动对话学习框架，它明确表示用户需求的不确定性，并将主动学习纳入知识获取和响应选择中。我们提出了一种心理理论不确定性估计机制，允许模型对响应进行优先级排序，从而引发更多信息丰富的用户反馈。 UKA 能够在训练期间有效地探索与用户一致的会话知识，同时在测试时保持稳健性。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一致性方面始终优于强大的基线。