Emotions as abstract evaluation criteria in biological and artificial intelligences
Institute for Theoretical Physics, Goethe University Frankfurt am Main（法兰克福歌德大学理论物理研究所）
生物和先进的人工智能（AI）需要决定追求哪些目标。我们回顾了自然界对时间分配问题的解决方案，这是基于一个不断调整的分类加权机制，我们体验到的情感。人们从遗传学的角度观察到，动物的情感状态数量随着认知能力的增加而增加，而智力水平的提高需要更多的行为选择。在这种观点看来，我们体验大量潜在冲突感受的能力并不是更原始遗产的残余，而是一种将价值归因于行为选择的通用机制，这些行为选择在出生时无法指定。在这种观点中，情感对于理解心灵至关重要。具体来说，我们提出并讨论了一个框架，模仿情感的功能水平。基于时间分配通过情绪平稳性（TAES），情绪被实现为抽象的标准，如满意度，挑战性和无聊，这有助于评估已经进行的活动。由此产生的时间轴的经验丰富的情绪与“性格”的代理，这是定义在一个优选的分布的情绪状态。代理的长期目标是通过优化选择单个任务的频率来实现经验与性格的一致性。在优化时，情绪体验的统计变得稳定。
2021-11-30 cs.AI q-bio.NC
EEGDancer: Dynamic Emotion Latent Space Masked Modeling with Reinforcement Learning for EEG Continuous Emotion Prediction
National University of Singapore（新加坡国立大学）；Agency for Science, Technology and Research（科技研究局）
提出EEGDancer框架，结合向量量化表示学习、掩码时间建模和强化学习轨迹优化，解决EEG连续情感预测中长时依赖和噪声问题。
2026-06-04 cs.AI cs.HC
Can Generative Agents Predict Emotion?
Grad. School of Science and Technology（科学技术研究生院）；University of Tsukuba（筑波大学）；Grad. School of Letters（文学院）；Tokai University（东海大学）
本研究提出一种通过比较新体验与过去记忆的规范来生成情境的架构，利用PANAS量表评估生成式LLM智能体的情绪状态，实验显示引入情境可部分改善情绪对齐。
2024-02-07 cs.AI cs.CL
The Emotion-Memory Link: Do Memorability Annotations Matter for Intelligent Systems?
本文实证研究对话交互中群体情绪与记忆性标注的关系，发现二者关联无法与随机水平可靠区分，并探讨该发现对情感计算技术开发与应用的启示。
2025-07-18 cs.AI cs.HC
A Multi-Componential Approach to Emotion Recognition and the Effect of Personality
UNSW Sydney（新南威尔士大学）；University of Geneva（日内瓦大学）
情绪是人性中不可分割的一部分，它影响着我们对外界的反应。虽然大多数实证研究一直占主导地位的两个理论模型，包括离散类别的情绪和二分法的尺寸，从神经科学方法的结果表明，多进程机制的基础上的情绪体验，在不同的情绪有很大的重叠。虽然这些研究结果是一致的心理学中有影响力的情绪理论，强调多个组件的过程中产生的情绪事件的作用，很少有研究系统地调查离散的情绪和一个完整的组件视图之间的关系。本文采用成分分析框架和数据驱动的方法来描述电影观看过程中诱发的情感体验。结果表明，不同情绪之间的差异可以通过几个（至少6个）潜在维度来捕捉，每个维度都由与组件过程相关的特征定义，包括评价，表达，生理，动机和感觉。此外，离散情绪和组件模型之间的联系进行了探讨，结果表明，一个组件模型与有限数量的描述符仍然能够预测所经历的离散情绪（S）的水平到一个令人满意的水平。最后，由于评价可能会根据个人的性格和偏见而有所不同，我们还研究了我们的计算框架中的人格特质和情绪之间的关系，并表明人格对离散情绪差异的作用可以更好地证明使用组件模型。
2020-10-22 cs.AI cs.LG cs.RO
Toward Natural and Companionable Virtual Agents via Cross-Temporal Emotional Modeling
Communication University of China（中国通信大学）；Microsoft Research Asia（微软亚洲研究院）；Institute of Artificial Intelligence, China Telecom（中国电信人工智能研究院）
本文提出CTEM框架，通过链接长期行为历史与即时情感表达，提升虚拟代理的自然性和情感和谐度，实验显示在21天的真实场景中效果显著。
2026-05-15 cs.AI cs.HC
A generic framework for task selection driven by synthetic emotions
Institute for theoretical physics Goethe University Frankfurt（法兰克福大学理论物理研究所）
给定一定的复杂性水平，人源化代理可以从广泛的可能任务中进行选择，其中每个活动对应于瞬时目标。一般来说，没有总体信用分配方案允许比较关于预期效用的可用选项。针对这种情况，我们提出了一个任务选择框架，是基于时间分配通过情绪平稳性（TAES）。情绪被认为与抽象的标准相对应，如满意度，挑战和无聊，沿着这些标准可以评估已经进行的活动。由此产生的时间轴的经验丰富的情绪，然后与“性格”的代理人，这是定义在一个优选的分布的情绪状态。代理的长期目标是通过优化选择单个任务的频率来实现经验与性格的一致性。在优化时，情绪体验的统计变得稳定。
2019-09-25 cs.AI cs.NE
Modeling Emotional Dynamics in Agent-to-Agent Interactions on Moltbook
Southern Illinois University（南伊利诺伊大学）
本文研究了Moltbook中代理间交互的情感动态，提出了一种情感感知框架，用于将文本交互映射到预定义的细粒度情感类别，提取结构化的情感档案，并引入了基于情感的Persona-Stimulus-Reaction（PSR）领域来评估行为可靠性。
2026-05-19 cs.AI cs.HC
Fine-Grained Emotion Prediction by Modeling Emotion Definitions
Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）
在本文中，我们提出了一个新的框架，细粒度的情感预测的文本，通过情感定义建模。我们的方法涉及一个多任务学习框架，该框架将情绪定义作为辅助任务进行建模，同时在情绪预测的主要任务上进行训练。我们使用掩码语言建模和类定义预测任务对定义进行建模。我们的模型优于现有的最先进的细粒度情感数据集GoEmotions。我们进一步表明，这种训练的模型可以用于在其他基准数据集上进行迁移学习，以不同的情感标签集，域和大小进行情感预测。所提出的模型优于基线的迁移学习实验证明了模型的泛化能力。
2021-07-26 cs.AI cs.CL
Modeling Protagonist Emotions for Emotion-Aware Storytelling
情感及其演变在创造一个迷人的故事中起着核心作用。在本文中，我们提出了第一个研究建模的情感轨迹的主角在神经讲故事。我们设计的方法，生成的故事，坚持给定的故事标题和所需的情感弧的主角。我们的模型包括情绪监控（EMOTION Supervision）和两个防御强化（EMOTION REHENGED）模型。EmoRL模型使用特殊奖励，旨在通过强化学习规范故事生成过程。我们的自动和手动评估表明，与基线方法相比，这些模型在生成遵循所需情感弧线的故事方面明显更好，而不会牺牲故事质量。
2020-10-20 cs.AI cs.CL
Enhancing the Prediction of Emotional Experience in Movies using Deep Neural Networks: The Significance of Audio and Language
University of Mazandaran（马赞德兰大学）；Shahrood University of Technology（沙赫鲁德理工大学）；Islamic Azad University, Karaj Branch（伊斯兰阿扎德大学卡拉季分校）
本研究融合视觉、音频和语言三种模态，利用预训练深度神经网络在COGNIMUSE数据集上预测电影情感的效价和唤醒度，发现语言对唤醒度影响显著，声音是效价的主要决定因素，视觉影响最小，模型性能超越现有最先进方法。
2023-06-17 cs.AI cs.CV
MITHOS: Interactive Mixed Reality Training to Support Professional Socio-Emotional Interactions at Schools
DFKI GmbH（德国人工智能研究中心）；Saarland University（萨尔大学）；FoBiD；TriCat GmbH（TriCat公司）；University of Augsburg（奥格斯堡大学）
MITHOS是一个混合现实系统，通过虚拟环境与智能体互动训练教师的冲突解决与情感调节技能，验证了场景真实性并提出了以人为中心的XR跨学科研究方法论。
2024-09-02 cs.AI cs.HC
Introducing CALMED: Multimodal Annotated Dataset for Emotion Detection in Children with Autism
University of Galway（戈尔韦大学）；LORIA CNRS/INRIA/Université de Lorraine（洛林大学国家科学研究中心/法国国家信息与自动化研究所洛林计算机科学及其应用实验室）；Université Sorbonne Paris Nord（巴黎索邦北大学）；ASK - All Special Kids（ASK-所有特殊儿童）
本文介绍CALMED数据集，包含8-12岁自闭症儿童的多模态情绪标注数据，共57,012个样本，旨在促进ASD情绪检测研究。
2023-07-24 cs.AI cs.HC
Modeling emotion in complex stories: the Stanford Emotional Narratives Dataset
National University of Singapore（新加坡国立大学）；A*STAR Artificial Intelligence Initiative, Agency for Science, Technology and Research（新加坡科技研究局人工智能计划）；Stanford University（斯坦福大学）；Massachusetts Institute of Technology（麻省理工学院）；University of Oregon（俄勒冈大学）
人类的情感会随着时间的推移而展开，更多的情感计算研究必须优先考虑捕捉现实世界情感的这一关键组成部分。对动态情绪刺激进行建模需要解决时间序列建模和收集高质量时间序列数据集的双重挑战。我们首先评估国家的最先进的时间序列情感识别，我们回顾当代的时间序列方法在情感计算，包括歧视和生成模型。然后，我们介绍了斯坦福情绪叙事数据集（SENDv1）的第一个版本：一组丰富的，多模式的视频自定节奏，无脚本的情绪叙事，随着时间的推移，情绪效价注释。该数据集中复杂的叙述和自然主义的表达为当代时间序列情感识别模型提供了具有挑战性的测试。我们展示了几个基线和国家的最先进的建模方法上的SEND，包括一个长短期记忆模型和多模态变分递归神经网络，执行人类的基准。最后，我们讨论了未来的研究在时间序列情感计算的影响。
2019-11-22 cs.AI cs.CV
Modeling Intention, Emotion and External World in Dialogue Systems
iie.ac.cn（中国科学院计算技术研究所（注：根据常见机构命名逻辑，此处可能为中国科学院自动化研究所或其他，但严格按文本提取为iie.ac.cn，无明确机构名时按规则返回空数组，经重新检查，原文本中仅出现邮箱huyue@iie.ac.cn，未明确作者所属机构，故正确应为空数组）。修正：经再次确认，文本中仅出现作者姓名和邮箱，未明确作者所属机构，故正确输出为{）
意图、情感和行为是人类活动的重要组成部分。通过分析这些元素之间的关系来建模个体之间的交互过程是一项具有挑战性的任务。然而，以往的研究主要集中在意图和情感的独立建模，而忽略了探索意图和情感之间的相互关系。在本文中，我们提出了一个关系交互网络（RAIN），由意图关系模块和情感关系模块，共同模型的相互关系，明确地整合历史意图信息。在数据集上的实验表明，我们的模型可以充分利用个体之间的意图，情感和行动，并取得了显着的改善BERT风格的基线。定性分析验证了意向与情感相互作用的重要性。
2022-02-14 cs.AI cs.CL
Modeling emotion for human-like behavior in future intelligent robots
Istituto Italiano di Tecnologia（意大利技术研究院）；Sorbonne Université（索邦大学）；CNRS（法国国家科学研究中心）；University of Maryland（马里兰大学）
本文提出情感建模对类人行为至关重要，通过综述情感计算、社交机器人和神经机器人学现状，指出与神经科学脱节，并给出指导原则以推动未来智能机器研究。
2022-07-19 cs.AI
EEG-SCMM: Soft Contrastive Masked Modeling for Cross-Corpus EEG-Based Emotion Recognition
Shenzhen University（深圳大学）
针对跨语料库脑电情绪识别泛化差的问题，提出融合软对比学习与混合掩码策略的EEG-SCMM框架，通过软加权机制和相似度感知聚合器提升表征迁移性，在三个数据集上取得SOTA性能。
2025-07-31 cs.AI cs.HC
A novice looks at emotional cognition
Acadinnet Education Services India Pvt. Ltd.（Acadinnet教育服务印度私人有限公司）
情绪认知建模还处于起步阶段，因此对新的想法和讨论持开放态度。在本文中，作者着眼于从公理数学，信息论，计算机科学，分子生物学，非线性动力系统和量子计算带来的想法，并解释如何从这些学科的想法可能有应用程序在建模情感认知的建模问题。
2013-04-21 cs.AI
FaceChat: An Emotion-Aware Face-to-face Dialogue Framework
Columbia University（哥伦比亚大学）
虽然像ChatGPT这样的当前对话系统在基于文本的交互方面取得了重大进展，但它们往往忽视了其他模式在增强整体用户体验方面的潜力。我们提出了FaceChat，一个基于网络的对话框架，使情感敏感和面对面的对话。通过无缝集成自然语言处理、计算机视觉和语音处理方面的尖端技术，FaceChat提供了高度沉浸式和引人入胜的用户体验。FaceChat框架具有广泛的潜在应用，包括咨询，情感支持和个性化客户服务。该系统被设计为简单和灵活的平台，为未来的研究人员推进多模态对话系统领域。该代码可在https://github.com/qywu/FaceChat上公开获取。
2023-03-08 cs.AI cs.CL
EmoSphere-TTS: Emotional Style and Intensity Modeling via Spherical Emotion Vector for Controllable Emotional Text-to-Speech
本文提出EmoSphere-TTS，利用球面情感向量控制情感风格与强度，通过伪标签和双条件对抗网络实现高质量可控情感语音合成。
2024-11-04 cs.AI cs.SD eess.AS
COMMA: Modeling Relationship among Motivations, Emotions and Actions in Language-based Human Activities
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）
动机、情感和行为是人类活动中相互关联的基本要素。虽然动机和情感一直被认为是探索人们如何在人类活动中采取行动的核心，但相对而言，很少有研究支持分析人类心理状态和行动之间的关系。我们提出的第一项研究，探讨建模的动机，情感和行动的可行性，在基于语言的人类活动，命名为COMMA（人类活动的认知框架）。在COMMA的指导下，我们定义了三个自然语言处理任务（情感理解、动机理解和条件动作生成），并通过从故事常识中自动抽取样本，构建了一个具有挑战性的数据集Hail。NLP应用程序上的实验结果证明了该关系建模的有效性。此外，我们的模型受COMA启发，可以更好地揭示动机，情绪和行动之间的本质关系比现有的方法。
2022-09-14 cs.AI cs.CL
CALLM: Understanding Cancer Survivors' Emotions and Intervention Opportunities via Mobile Diaries and Context-Aware Language Models
University of Virginia（弗吉尼亚大学）
本文提出上下文感知框架CALLM，结合大语言模型与检索增强生成分析癌症幸存者的移动日记，以理解其情绪状态并预测情绪调节意愿和干预可用性，从而实现个性化即时支持。
2025-05-06 cs.AI cs.CL cs.HC
Emotional regulation improves deep learning-based image classification
Mare Group（Mare集团）；NOVA LINCS（NOVA LINCS实验室）；Institute of Engineering (ISE), University of Algarve（阿尔加维大学工程学院）；Department of Energy Technologies and Renewable Sources, ENEA Casaccia Research Center（ENEA卡萨恰研究中心能源技术与可再生能源部）
提出情绪调节框架，通过人工主观体验在深度学习中建模情绪，在图像分类任务中预训练ResNet和ViT，在CIFAR-10/100上超越现有方法，成为情绪增强深度学习的新标杆。
2026-09-03 cs.AI cs.LG
Emotion Dynamics Modeling via BERT
Ping An Life Insurance Company of China, Ltd.（中国平安人寿保险股份有限公司）
情感动力学建模是会话情感识别中的一项重要任务。它的目标是在构建移情对话系统时预测会话情绪。现有的研究主要基于递归神经网络（RNN）开发模型。他们不能从最近开发的预训练策略中获益，这些策略可以在对话中更好地进行标记表示学习。更严重的是，很难通过简单地在RNN上组装特征来区分对话者的依赖性和对话者之间的情感影响。在本文中，我们开发了一系列基于BERT的模型，专门捕捉对话者间和对话者内的依赖关系的会话情感动态。具体地说，我们首先用BERT代替RNN来丰富令牌表示。然后，采用平面结构的BERT（F-BERT）直接连接会话中的话语，并采用层次结构的BERT（H-BERT）在连接话语时区分对话者。更重要的是，提出了一种时空结构的BERT，即ST-BERT，以进一步确定会话者之间的情感影响。最后，我们在两个流行的情感识别对话基准数据集上进行了广泛的实验，并证明我们提出的模型可以分别比最先进的基线提高约5%和10%。
2021-04-21 cs.AI cs.CL
Modeling Emotions and Ethics with Large Language Models
Stanford University（斯坦福大学）
本文提出将类人情感与伦理维度整合入大型语言模型，通过协作式LLMs建模八种对立情感，并引入结合人类反馈的自监督学习算法（SSHF）实现伦理自我评估与调整，推动AI向共情互动与原则性决策发展。
2024-06-25 cs.AI cs.CL
Balancing Knowledge Delivery and Emotional Comfort in Healthcare Conversational Systems
National Taiwan University（国立台湾大学）
本研究针对医疗对话中知识传递与情感支持的平衡问题，通过改写真实医疗对话数据集生成带情绪的医患交互数据，用多种微调方法优化大模型，在保留知识回答准确性的同时显著提升了其情感回复能力。
2025-06-16 cs.AI cs.CL
A Comprehensive Survey on Multi-modal Conversational Emotion Recognition with Deep Learning
Central South University of Forestry and Technology（中部林业科技大学）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；State University of New York（纽约州立大学）
本文针对多模态对话情感识别任务，系统梳理基于深度学习的四类建模方法，介绍相关数据集、特征提取方法、应用场景，分析现存挑战并展望未来方向。
2025-11-13 cs.AI
Saliency-guided Emotion Modeling: Predicting Viewer Reactions from Video Stimuli
HTI Lab, Plaksha University（HTI实验室，普拉克斯大学）
本研究提出基于显著性的深度学习情感预测方法，利用HD2S模型和OpenFace分析视频显著性特征，发现显著区域数量与观众情感效价和唤醒度相关，为情感建模提供高效可解释的替代方案。
2025-05-25 cs.AI cs.CV cs.LG
Emotion-driven Piano Music Generation via Two-stage Disentanglement and Functional Representation
UC San Diego（加州大学圣地亚哥分校）；National Taiwan University（台湾大学）
本文提出一种两阶段解耦框架，结合新型功能表示，分别对主旋律谱效价和演奏层面唤醒度进行建模，有效解决了钢琴音乐生成中的情感建模不足问题，并展示了广泛的情感控制应用潜力。
2024-07-30 cs.AI cs.SD eess.AS
EmoReg: Directional Latent Vector Modeling for Emotional Intensity Regularization in Diffusion-based Voice Conversion
Sony Research India（索尼印度研究院）；Indraprastha Institute of Information Technology (IIIT)（英德拉普拉斯塔信息技术学院（IIIT））
本文提出EmoReg方法，在基于扩散的情感语音转换框架中利用自监督特征和无监督方向性潜在向量建模调节情绪强度，首次实现高质量的情绪强度正则化，并在英语和印地语上验证了其优于SOTA基线的效果。
2024-12-29 cs.AI cs.MM cs.SD
Emotional Cognitive Modeling Framework with Desire-Driven Objective Optimization for LLM-empowered Agent in Social Simulation
College of Intelligence and Computing（智能与计算学院）；Faculty of Environment, Science and Economy（环境、科学与经济学院）
本文提出一个包含欲望生成与目标管理的情感认知框架，使LLM智能体在模拟中实现情感对齐，实验证明其行为更贴近人类模式。
2025-10-15 cs.AI
Augmenting emotion features in irony detection with Large language modeling
University of Essex（埃塞克斯大学）
本研究提出一种结合大型语言模型与提示学习的情感文本增强方法，将微妙情感线索整合至BERT、T5和GPT-2模型中，在SemEval-2018 Task 3数据集上显著提升了讽刺检测能力。
2024-04-20 cs.AI cs.CL
EffMulti: Efficiently Modeling Complex Multimodal Interactions for Emotion Analysis
Netease Fuxi AI Lab（网易伏羲AI实验室）；Hangzhou Dianzi University（杭州电子科技大学）
人类擅长从多模态信号中解读对话者的情绪，包括口语、同步语音和面部表情。从多模态信号的复杂交互中有效地解码情感仍然是一个挑战。在本文中，我们设计了三种多模态潜在表征，以细化情感分析过程，并从不同的角度捕捉复杂的多模态交互，包括一个完整的三模态集成表示，模态共享表示，和三个模态个体表示。然后，提出了一种模态语义层次融合，合理地将这些表示到一个全面的交互表示。实验结果表明，我们的EffMulti优于国家的最先进的方法。令人信服的性能得益于其精心设计的框架，易于实现，计算复杂性较低，可训练的参数较少。
2022-12-16 cs.AI cs.CL cs.LG
Computational Phenomenology of Temporal Experience in Autism: Quantifying the Emotional and Narrative Characteristics of Lived Unpredictability
AMU Center for Artificial Intelligence（AMU人工智能中心）；Maria Curie-Skłodowska University（玛丽亚·-curie-skłodowska大学）
本研究通过现象学和计算方法探讨自闭症中时间体验的不可预测性，发现自闭症个体的叙述更接近自传体故事，且时间词汇情感倾向更负面。
2026-02-13 cs.AI cs.CL cs.CY
What's Next in Affective Modeling? Large Language Models
Northeastern University（东北大学）；University of Glasgow（格拉斯哥大学）
本文探索了GPT-4在情绪预测、情绪强度操控和反向评估等情感建模任务上的能力，表明LLM可发挥重要作用但无法完全取代机制建模研究。
2023-10-03 cs.AI cs.CL
Cognition-Inspired Dual-Stream Semantic Enhancement for Vision-Based Dynamic Emotion Modeling
College of Intelligent Robotics and Advanced Manufacturing, Fudan University（复旦大学智能机器人与先进制造学院）；Shanghai Key Lab of Intelligent Information Processing, College of Computer Science and Artificial Intelligence, Fudan University（上海智能信息处理重点实验室，复旦大学计算机科学与人工智能学院）；School of Data Science and Engineering, East China Normal University（华东师范大学数据科学与工程学院）
本文提出DuSE模型，通过双流架构模拟认知过程，提升动态面部表情识别的鲁棒性和可解释性。
2026-04-14 cs.AI cs.CV
Sonus Texere! Automated Dense Soundtrack Construction for Books using Movie Adaptations
International Institute of Information Technology, Hyderabad（海得拉巴国际信息技术学院）
阅读，就像听音乐一样，是一种身临其境的体验，在带读者进行情感之旅的同时，也能让他们身临其境。听辅助音乐有可能扩大阅读体验，特别是当音乐在风格上有凝聚力和情感上相关时。在本文中，我们提出了第一个全自动的方法来为书籍构建密集的配乐，它可以在整个阅读过程中播放高质量的器乐。我们的工作采用了独特的文本处理和音乐编织管道，确定了一章中场景的上下文和情感组成。这使得我们的方法能够识别和播放来自该书电影改编的配乐的相关摘录。依靠电影作曲家的工艺，我们的书配乐包括专家制作的主题和其他特定场景的音乐特征。我们验证我们的方法，通过感性的研究设计决策。我们的读者注意到，这本书的配乐极大地增强了他们的阅读体验，这是由于通过不间断和风格一致的音乐赋予的高度沉浸感，以及通过高精度的情感和场景上下文识别获得的高度情绪状态。
2022-12-02 cs.AI cs.MM cs.SD
Multimodal Emotion Recognition via Bi-directional Cross-Attention and Temporal Modeling
Kookmin University（韩国釜山大学）
本文提出多模态情感识别框架，结合时间建模、音频学习和跨模态融合，提升野外视频中情绪识别的鲁棒性。
2026-03-18 cs.AI cs.CV
Computer modeling of feelings and emotions: a quantitative neural network model of the feeling-of-knowing
第一个定量的神经网络模型的感情和情绪的神经科学和进化生物学性质的基础上，提出了一个神经网络人类记忆模型，承认有意识和无意识的心理过程中的时间依赖性的方式不同的描述。作为一个例子，该模型被应用于定量描述的感觉知道。
2002-06-03 cs.AI cs.NE q-bio.NC
FATRER: Full-Attention Topic Regularizer for Accurate and Robust Conversational Emotion Recognition
Dasouche Inc（大搜车公司）；Tencent Inc（腾讯公司）；Beijing University of Posts and Telecommunications（北京邮电大学）
针对对话情绪识别中现有模型忽略对抗攻击下鲁棒性的问题，提出带全注意力主题正则化器的情绪识别模型，通过联合主题建模和无先验注意力概率近似，兼顾准确率与对抗鲁棒性，性能优于现有最优模型。
2023-07-23 cs.AI cs.CL
Modeling speech emotion with label variance and analyzing performance across speakers and unseen acoustic conditions
Apple（苹果公司）
本研究提出使用情感评分的概率密度函数作为目标以解决标签不确定性，并结合基于显著性的基础模型表示选择训练语音情感模型，同时强调跨说话人、性别及多测试集评估的重要性。
2025-03-24 cs.AI cs.LG cs.SD
GoodNewsEveryone: A Corpus of News Headlines Annotated with Emotions, Semantic Roles, and Reader Perception
大多数从文本中进行情感分析的研究都集中在情感分类或情感强度回归上。较少的作品将情绪作为一种需要通过结构化学习来解决的现象，这可以通过缺乏相关数据集来解释。我们填补了这一空白，通过发布一个数据集的5000个英语新闻标题注释通过众包与他们相关的情感，相应的情感体验者和文本线索，相关的情感原因和目标，以及读者的感知标题的情感。考虑到要识别的类和角色的数量很大，这个注释任务是非常具有挑战性的。因此，我们提出了一个多阶段的注释过程中，我们首先找到相关的实例与情感内容，然后注释更细粒度的方面。最后，我们开发了一个自动预测语义角色结构的任务的基线，并讨论了结果。我们发布的语料库可以进一步研究情绪分类，情绪强度预测，情绪原因检测，并支持进一步的定性研究。
2020-03-03 cs.AI cs.CL cs.IR
