论文地址 ：https://www.aclweb.org/anthology/P19-1566/
作者 ： Xuewei Wang, Weiyan Shi, Richard Kim, Yoojung Oh, Sijia Yang, Jingwen Zhang, Zhou Yu
机构 ： 浙江大学，University of California，University of Pennsylvania
研究的问题：
关注的是特定任务的对话系统，具体目标是说服别人为特定的慈善机构捐钱。这里举了一个例子，如下所示。
作者首先收集了1017个人与人之间的说服的例子，组成了一个数据集。在这个数据集当中，针对每一句话给出注释，之后训练了一个CNN网络对10种说服策略来分类。最后做了相关分析。
研究方法：
数据收集：
在Amazon Mechanical Turk（AMT）平台上，使用ParlAI收集数据。捐款的去向是“Save the children”。
收集数据包括四个过程，任务前的调查、说服对话、确认捐赠、任务后调查。
（1）任务前的调查：通过心理问卷来调查人格特征。包括四个量表：大五人格、Moral Foundations endorsement、Schwartz Portrait Value、Decision-Making style。
（2）说服对话。将说服者和被说服者的角色随机地分配给两个参与者，说服者的任务是将被说服者任务所得的一部分捐给慈善机构，说服者本身也可以选择捐款。在系统中会给说服者一些策略的提示和例句。每个对话至少包括10轮。
（3）确认捐赠。在谈话之后，双方都会填一个文本框，文本框是他愿意捐的金额，最大是全部的任务酬劳。
（4）任务后调查。包括社会背景、年龄、收入等信息。
数据的相关统计如下所示。
注释：
先设计了一套说服策略的方案，然后给对话中的每个句子做注释。说服策略的种类和相关统计如下：
具体解释这套策略，分为两类：说服性请求和说服性调查。（顺序和上表的顺序一致）
（1）说服性请求：包括以下7种，是通过不同的心理机制来改变他人的态度的策略。
a）逻辑诉求：用推理的证据来说服他人。
b) 情感诉求：通过激发特定的情感来影响他人。
c）可信性诉求：引用有公信力的组织或证明来赢得信任。
d) 以小博大：先让你捐一笔小钱，如果愿意再让你捐更多。
e) 自我表率：先表明自己愿意捐钱，让对方效仿自己。
f）个人故事：将某人的捐赠经历或某受益人的积极结果。
g）捐赠信息：讲述具体的捐赠信息，比如捐赠程序、捐赠范围。
（2）说服性调查：以提问的方式来促进个性化的说服请求。
a）来源相关：询问是否知道捐赠任务的来源。
b) 任务相关：询问对这个任务的看法。
c) 个人相关：询问之前是否有捐赠经历。
每种策略的示例如下：
策略分类：
设计了一个分类器对对句子分类，整体结构如下：
输入包括三个部分，句子编码、上下文编码、句子级别特征。
句子编码： 使用RCNN，也就是把RNN和CNN结合起来提取局部和全局语义。
上下文编码：使用LSTM对被说服者的话语编码。
句子特征包括以下三个方面：对话轮数、情感特征（使用一个基于规则的分类来提取每个句子的情感特征，也就是正向还是负向还是中性的）、字符级embedding。
实验结果：
这个结果体现出来加上的这些特征是有利用分类的。
分析：
作者做了一些分析，分析什么样的人更可能捐钱，什么样的策略更可能说服人捐钱。得到的结论有，捐赠信息对于结果有显著的正向影响；年长的人更愿意捐钱、随和的人言行更加一致（指承诺了捐钱就确实捐的人，有43%的人承诺了捐钱但最后没有捐）。更详细的一些结论可以阅读原文第7部分。
评价：
一篇很有意思的文章，提出了一项新的说服任务。主要的贡献在于制作了一个数据集，是通过在线平台来招一帮人参与到这个实验中。最后得到了一些与心理学有关的结论。不过本文的实验部分其实和内容关系不大，得到的结果也只能说这些特征有利于分类效果，和说服任务本身关系不大。