基于大语言模型（LLM）的“情感反事实推理”如何实现细粒度解释？ 热门官方

回答：情感反事实推理回答“若改变某情感线索，用户情绪会如何变化”，需细粒度定位关键线索。实现方法：① 线索级情感归因：用LLM的注意力机制或SHAP值定位影响情感的核心线索（如“用户愤怒的主因是‘客服说“这是规定”’而非‘等待时间长’”）；② 反事实生成：基于归因结果生成反事实场景（如“若客服说‘我帮您申请特殊处理’”），预测情感变化（愤怒值从0.8降至0.3）；③ 可解释性输出：用自然语言解释“因移除‘推卸责任的表述’，用户的‘被重视感’提升，故愤怒降低”。实验显示，该方法使反事实推理的解释粒度从“整体事件”细化至“具体语句”，用户理解度提升60%。