Emotion und Intention im Fokus: Neue Methode verbessert Sticker‑Auswahl

Stickers sind ein fester Bestandteil der Online‑Kommunikation und dienen dazu, Gefühle und implizite Absichten auszudrücken. Das Sticker Response Selection (SRS) Problem besteht darin, den für einen gegebenen Dialog am besten passenden Sticker auszuwählen. Bisherige Ansätze modellieren Emotionen und Absichten getrennt, was zu Fehlanpassungen führt, wenn die beiden Signale nicht übereinstimmen.

Die neue Methode namens Emotion and Intention Guided Multi‑Modal Learning (EIGML) löst dieses Problem, indem sie Emotionen und Absichten gleichzeitig berücksichtigt. Durch die gemeinsame Modellierung werden Verzerrungen reduziert und die Auswahlgenauigkeit deutlich gesteigert.

EIGML nutzt ein Dual‑Level Contrastive Framework, das sowohl innerhalb einer Modalität als auch zwischen verschiedenen Modalitäten ausgerichtet wird. Zusätzlich integriert ein Intention‑Emotion Guided Multi‑Modal Fusion Modul die beiden Signalarten schrittweise über drei Komponenten: Emotion‑Guided Intention Knowledge Selection, Intention‑Emotion Guided Attention Fusion und ein Similarity‑Adjusted Matching Mechanism. Diese Architektur sorgt für eine konsistente Repräsentation und ein tieferes Verständnis des Dialogs.

Experimentelle Tests auf zwei öffentlichen SRS‑Datensätzen zeigen, dass EIGML die bisherigen Spitzenmodelle übertrifft. Die Ergebnisse demonstrieren höhere Genauigkeit und ein verbessertes Verständnis von Emotionen und Absichten, was die Sticker‑Auswahl in der Praxis deutlich zuverlässiger macht.