A Data Augmentation Pipeline Leveraging Large Language Models for Counseling Conversations

LLM提升心理治疗对话
最新推荐文章于 2025-11-24 18:29:32 发布
最新推荐文章于 2025-11-24 18:29:32 发布
阅读量267 收藏
点赞数 3
CC 4.0 BY-SA版权
分类专栏： LLM Daily LLM for Medical 文章标签： 语言模型 人工智能 自然语言处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/c_cpp_csharp/article/details/140260144

本文是LLM系列文章，针对《Enhancing Psychotherapy Counseling: A Data Augmentation Pipeline Leveraging Large Language Models for Counseling Conversations》的翻译。

增强心理治疗咨询：利用大型语言模型进行咨询会话的数据增强管道

摘要

我们引入了一个利用大型语言模型（LLM）将单轮心理治疗咨询会话转化为多轮互动的管道。虽然存在人工智能支持的针对精神障碍患者的在线咨询服务，但它们往往受到多轮训练数据集有限可用性的限制，并且经常无法充分利用治疗师的专业知识。我们提出的管道有效地解决了这些限制。该管道包括两个主要步骤：1）信息提取和2）多轮咨询生成。每一步都经过精心设计，从可用的数据集中提取并生成全面的多轮咨询对话。零样本和小样本生成场景的实验结果表明，我们的方法显著增强了LLM在心理健康咨询背景下产生更高质量多轮对话的能力。我们的管道和数据集在这里公开。

1 引言

2 相关工作

3 前言

4 方法

5 增强数据集

6 实验

7 结论

在本文中，我们通过将使用我们的管道生成的多轮心理治疗咨询对话与仅根据原始数据训练的模型生成的对话进行比较，来实验评估我们提出的管道的效用。我们证明，从原始数据中提取隐含信息作为多轮生成的输入

了解本专栏 订阅专栏 解锁全文 超级会员免费看
Empowering Large Language Models for Textual Data Augmentation
c_cpp_csharp的专栏
10-29 529
凭借理解和执行自然语言指令的能力，大型语言模型 （LLM） 有可能成为文本数据增强的强大工具。但是，增强数据的质量在很大程度上取决于提供的增强指令，并且有效性可能会因不同的下游任务而波动。虽然手动制作和选择指令可以提供一些改进，但由于下游任务的多样性，这种方法在实践中面临可扩展性和一致性问题。在这项工作中，我们通过提出一种新的解决方案来解决这些限制，该解决方案可以自动生成大量增强指令并选择最合适的任务知情指令，从而使 LLM 能够为不同的下游任务创建高质量的增强数据。
LLM-DA: Data Augmentation via Large Language Models for Few-Shot Named Entity Recognition
c_cpp_csharp的专栏
04-30 460
尽管大型语言模型（LLM）具有令人印象深刻的功能，但它们在信息提取任务上的性能仍然不完全令人满意。然而，他们非凡的重写能力和丰富的世界知识为改进这些任务提供了宝贵的见解。在本文中，我们提出了LLM-DA，这是一种新的基于LLM的数据增强技术，用于小样本NER任务。为了克服现有数据增强方法的局限性，这些方法会损害语义完整性，并解决LLM生成文本中固有的不确定性，我们通过在上下文和实体层面增强原始数据，利用NER任务的独特特征。
ACL 2022 主会长文论文分类整理
Kaiyuan_sjtu的博客
05-13 6888
© 作者｜蒋锦昊 机构｜中国人民大学高瓴人工智能学院研究方向 | 自然语言处理导读ACL 2022是CCF A类会议，人工智能领域自然语言处理（Natural Language Processing，NLP）方向最权威的国际会议之一。第60届计算语言学协会计划于今年5月22日-5月27日在爱尔兰都柏林召开。官方发布的接收论文列表：Accepted Papers...
总结 | ACL2022主会论文分类整理
04-25 1万+
大家好，我是对白。ACL 2022是CCF A类会议，人工智能领域自然语言处理（Natural Language Processing，NLP）方向最权威的国际会议之一。第60届计算语言学协会计划于今年5月22日-5月27日在爱尔兰都柏林召开。本文对ACL 2022接受列表中的的602篇主会长文论文，按不同的研究主题进行分类整理（分类标准参考 ACL 官方投稿主题），整理过程中难免有疏漏，欢迎大家在下方评论留言，交流探讨！论文列表已经同步更新到 GitHub，欢迎大家关注和 Star。目录Adversari
【NLP】ACL-2019 录用论文
zkq_1986的博客
09-04 2万+
LONG PAPERS (MAIN CONFERENCE) SphereRE: Distinguishing Lexical Relations with Hyperspherical Relation EmbeddingsChengyu Wang, XIAOFENG HE and Aoying Zhou Learning from Dialogue after Deployment: Fee...
插件8：拼写检查
热门推荐
dearbaba_1666的博客
06-27 16万+
<?php // Plug-in 8: Spell Check // This is an executable example with additional code supplie
论文笔记《LLMRec: Large Language Models with Graph Augmentation for Recommendation》
qq_43238825的博客
07-02 1739
香港大学和百度合作发表在WSDM 2024的一篇文章。目光聚焦在解决侧信息用来辅助推荐时出现的数据噪声、数据异构型以及数据不完整性问题，提出了采用三种图增强策略的LLMRec框架。
[读论文] DISC-LawLLM: Fine-tuning Large Language Models for Intelligent Legal Services
大家好~我是SP_FA~
07-26 1728
我们提出了DISC-LawLLM，这是一个利用大型语言模型的智能系统，以提供广泛的法律服务。我们采用法律三段论提示策略，构建中国司法领域的监督微调数据集，并建立具有法律推理能力的 Law LLM。我们通过检索模块增强了 LLM，以增强模型获取和利用外部法律知识的能力。提出了一个综合性法律基准，即 DISC-Law-Eval，用于评估客观和主观因素的智能法律系统。DISC-Law-Eval 的定量和定性结果表明，我们的系统在为不同法律场景中的各种用户提供服务方面是有效的。
基于学习的人工智能（1）为什么学习？
致力于大数据+AI 的应用创新。
11-24 159
学习是人类最重要的认知活动之一，贯穿我们的一生。出生后，我们无时无刻不在学习：从父母那里学说话，自己尝试走路，从小伙伴那里学会折纸飞机，从老师那里学到语文、数学等各种知识。研究人员始终将光源和风扇放在同一侧，经由学习，玉米幼苗逐渐学会了“有风的地方就会有光”的规律。之后，研究人员移去光源，并改变风扇方向，玉米幼苗依然按照所学知识，向风扇方向生长。1959 年，美国计算机学家亚瑟·塞缪尔设计了一款可以自我学习的跳棋程序，并将这一新方法称为“机器学习”，从而开启了机器自我学习的道路。
2025企业微信AI落地新趋势：微盛AI·企微管家破解内外增长难题
最新发布
weisheng00的博客
11-24 375
2025年企业微信AI落地的三大关键趋势：微盛AI·企微管家通过智能客服、精准营销和内部协作三大场景，帮助企业实现200%的客服效率提升、90%的报修响应提速和50%的员工效能增长。作为企业微信生态最大ISV服务商，微盛依托"AI+SCRM"双引擎，已服务160家500强企业，提供合规AI聊天Agent、生态闭环整合及私有化部署方案，有效解决数据孤岛问题，90%客户在3个月内实现AI能力全员覆盖。
中国计算机学会（CCF）推荐学术会议-A（人工智能）：ACL 2026
iaast的博客
11-24 287
大会官网：https://2026.aclweb.org/录用率：20.3%（1699/8360，2025年）时间地点：2026年7月2日-加州·美国。截稿时间：2026年1月5日。CCF推荐：A（人工智能）
RAG 的诞生：为了让 AI 不再“乱编”
weixin_44876263的博客
11-24 52
RAG全称，中文为“检索增强生成”。其核心思想是：在生成答案时，不仅依赖大模型内部的训练知识，还能够实时访问外部知识库或文档，从而生成更加准确和可靠的内容。就像一个学生回答问题，不仅依靠自己记忆，还会去图书馆查资料，然后结合记忆和查到的资料回答问题。你问模型：“请告诉我最新的新能源补贴政策。纯模型可能只靠训练记忆，回答的是过时或模糊的信息。RAG 模型会先去查最新政策文件，再结合训练知识生成答案，因此更准确。检索资料：先找到相关文档或信息。结合生成：把找到的资料和问题一起输入模型，让模型生成答案。
基于华为开发者空间实现花卉识别
优快云高校俱乐部官方博客
11-21 1536
基于华为开发者空间实现花卉识别
人工智能在医疗行业的革命性应用：从诊断到个性化治疗
2501_94114442的博客
11-21 463
人工智能（AI）技术近年来已经渗透到各个行业，其中，医疗行业无疑是受益最大之一。从疾病的早期诊断到个性化治疗方案的制定，AI正在加速医学领域的变革。通过机器学习、深度学习、自然语言处理等技术，AI不仅能够处理和分析大量的医疗数据，还能够帮助医生做出更加精准的决策，提升患者的治疗效果，并优化整个医疗体系的运作效率。本文将探讨人工智能在医疗行业的应用，分析其在不同医疗领域的具体作用，并展望AI如何进一步推动医疗健康行业的发展。
【NullSwap】NullSwap: Proactive Identity Cloaking Against Deepfake
人生不是轨道，是旷野。希望每天都有好心情。
11-23 162
由于生成模型的进步，被动检测高质量Deepfake图像的性能瓶颈，主动扰动提供了一种有前途的方法，通过将信号插入良性图像来禁用Deepfake操作。【生成模型的发展，使得生成高质量伪图越来越难被检测】然而，现有的主动扰动方法在以下几个方面仍然不能令人满意：【当前主动扰动存在的问题】1）由于直接元素添加而导致的视觉退化;2）对交换操纵的有效性有限;3）不可避免地依赖于白盒和灰盒设置，以在训练期间涉及生成模型。我们分析了深度伪造swap技术的本质，并论证了保护源身份而非目标图像的必要性。
【字节跳动 AI 原生 IDE TRAE 】
youngerwang的博客
11-22 634
字节跳动推出的AI原生IDE TRAE是国内首款协作级AI开发工具，采用"交互层-智能层-协议层-生态层"四层架构，支持SOLO智能自主开发模式和多模态交互。核心功能包括：1）SOLO模式支持需求分析、工具调度和全流程自动化开发；2）双模式交互系统兼顾精细控制和快速原型开发；3）多模态交互支持语音、图像和代码片段输入；4）开放的智能体生态系统。TRAE深度融合大模型能力，在前后端开发中展现出高效代码生成和自动化能力，并通过MCP协议实现安全工具调用。产品迭代迅速，216天发布63个版本，
EAGLE-2：通过动态草稿树加速语言模型推理
11-24 16
现代 Large Language Models（LLMs）的推理过程既昂贵又耗时，而 speculative sampling 已被证明是一种有效的解决方案。大多数 speculative sampling 方法（例如 EAGLE）使用静态的 draft tree，并默认 draft token 的接受率仅依赖于其位置。有趣的是，我们发现 draft token 的接受率也依赖于上下文。本文在 EAGLE 的基础上提出了，该方法引入了一种新的技术用于 draft 建模。
宇树G1-D：人形机器人下一步方向！
Charlie_Mo的博客
11-21 974
宇树科技推出G1-D人形机器人工作站全栈解决方案，实现从硬件平台向"硬件+数据+AI"生态平台升级。该方案以G1-D为核心载体，为AI模型开发提供强力支撑，可应用于制造业等场景，提升生产精度和效率。在AI技术快速发展的背景下，掌握基于G1-D的AI开发技能将增强就业竞争力。这一创新方案为行业搭建AI训练基础设施，推动技术进步，展现未来发展潜力。
强化学习人形机器人奖励函数分析
ModestCoder_的博客
11-23 583
PPO (Proximal Policy Optimization) 是一种 Actor-Critic 架构算法。奖励函数是整个学习过程的指挥棒。学习预测未来的累积回报（Return）。用于处理物理限制的软约束，形式通常为单边损失（Hinge Loss）。，作为 Cost/Penalty 使用，用于约束能量和保持稳定。以下是代码中各个奖励项的数学表达及其物理含义分析。形式，旨在最大化机器人对指令的跟随精度。这种设计是现代机器人控制领域的标准范式。形式，在总奖励计算中通常会被赋予。
Data Augmentation Pipeline
10-30
数据增强管道是一系列数据增强操作的组合，旨在通过对原始数据进行多种变换来扩充数据集，提高模型的泛化能力和鲁棒性。 基于引用，有不同领域的数据增强管道示例。在小目标检测领域，有基于生成对抗网络的完整数据增强管道，其主要步骤包括小目标数据增强，这又分为小目标生成和小目标集成。小目标生成包括Downsampling GAN (DS - GAN)和对象分割；小目标集成包含位置选择器、图像修复、插入和融合等操作[^1]。 在图像数据处理方面，PyTorch和TensorFlow/Keras提供了不同的数据增强管道实现方式。PyTorch提供丰富的内置增强函数，支持在线增强，可通过`Compose`组合多个变换，并在`DataLoader`中动态应用。例如定义训练集的在线增强管道，包括缩放、随机裁剪、水平翻转、颜色抖动、转换为Tensor和标准化等操作；测试集仅做标准化。具体代码如下： ```python import torchvision.transforms as transforms # 定义在线增强 pipeline（仅用于训练集） train_transform = transforms.Compose([ transforms.Resize((256, 256)), # 先缩放到256x256 transforms.RandomCrop(224), # 随机裁剪到224x224（CNN输入尺寸） transforms.RandomHorizontalFlip(p=0.5), # 50%概率水平翻转 transforms.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.2), # 颜色抖动 transforms.ToTensor(), # 转换为Tensor transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) # 标准化（ImageNet均值/标准差） ]) # 测试集仅做标准化（无增强） test_transform = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) ``` 在文本数据处理方面，也有数据增强管道的实现。例如利用`transformers`库的`pipeline`进行文本生成的数据增强，通过对句子中的单词进行替换和文本生成来扩充文本数据，代码如下： ```python import random from transformers import pipeline nlp = pipeline('text-generation', model='gpt2') def data_augmentation(sentence): words = sentence.split() num_words = len(words) aug_sentences = [] for i in range(num_words - 1): word = words[i] if len(word) > 3: new_word = ''.join([random.choice(['_', '_','', '_']) for _ in range(len(word))]) new_words = [w for w in words[:i]] + [new_word] + [w for w in words[(i+1):]] new_sentence = ' '.join(new_words) else: continue aug_sentences.append(nlp(new_sentence)[0]['generated_text'].strip()) return aug_sentences text = "The quick brown fox jumps over the lazy dog" augmented_texts = data_augmentation(text) print("Original Sentence:", text) print(" ") print("Augmented Sentences:") for aug_text in augmented_texts: print("-", aug_text) ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UnknownBody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值