A Multi-Turn Emotionally Engaging Dialog Model
École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
开放域对话系统（也称为聊天机器人）在自然语言处理中越来越受到关注。最近的一些工作旨在将情感信息纳入序列到序列神经对话建模中，使反应在情感上更丰富，而其他人则使用手工制作的规则来确定所需的情感反应。然而，他们并没有明确地学习人类对话中捕捉到的微妙的情感互动。在本文中，我们提出了一个多轮对话系统，旨在学习和产生情感反应，到目前为止，只有人类知道如何做。离线实验表明，与两个基线模型相比，该方法在困惑分数上表现最好。进一步的人类评估证实，我们的聊天机器人可以跟踪对话上下文，并在情感上产生更合适的反应，同时在语法上表现同样出色。
2020-06-24 cs.AI cs.CL cs.HC
Dialogue Summarization with Emotion Dynamics Using Topic- and Participant-Centric Decomposition
Delft University of Technology（代尔夫特理工大学）
该研究针对对话摘要问题，提出基于改进分层智能体链方法的框架，从主题和参与者两个视角分解对话，结合自动推断情感生成摘要，并引入情感轨迹指标评估，实验表明其框架能生成含语义和情感内容的摘要，凸显方法有效性。
2026-07-17 cs.AI cs.CL cs.MA
Conversational Analysis of Daily Dialog Data using Polite Emotional Dialogue Acts
Foviatech GmbH（Foviatech有限公司）；University of Hamburg（汉堡大学）
许多社会语言学线索被用于会话分析，如情感、情绪和对话行为。礼貌是一个基本的线索，它在语言学上具有一些特性，如在会话分析中有用的社交礼仪。本文介绍了礼貌的情感对话行为协会的研究结果，在那里我们可以关联的社会语言线索之间的关系。我们证实了我们的假设，即话语的情绪类愤怒和厌恶更有可能是不礼貌的。同时，快乐和悲伤更有可能是礼貌的。一个不太令人期待的现象出现在对话行为Inform和Commissioner中，它们比Question和Directive包含更多的礼貌话语。最后，我们总结了这些研究结果的未来工作，以扩大使用礼貌的社会行为的学习。
2022-05-11 cs.AI cs.CL cs.HC
Towards Multi-Turn Empathetic Dialogs with Positive Emotion Elicitation
Fu Foundation School of Engineering and Applied Science, Columbia University（哥伦比亚大学傅氏基金工程与应用科学学院）；Baidu Inc.（百度公司）
情感支持是许多现实世界场景的关键技能，包括照顾老人，心理健康支持和客户服务聊天。本文提出了一种新的任务，移情对话生成与积极情绪的启发，以促进用户的积极情绪，类似于人类之间的情感支持。在这个任务中，代理进行移情反应，以及在多轮对话中引发用户的积极情绪的目标。为了便于研究这个任务，我们收集了一个大规模的情感对话数据集与积极情绪的启发，称为PossibilDial（约820k对话，3M话语）。在这些对话中，代理试图引导用户从任何可能的初始情绪状态，例如，从悲伤到积极的情绪状态然后，我们提出了一个积极的情绪引导的对话生成模型与一个新的损失函数的设计。这个损失函数鼓励对话模型不仅从用户那里引出积极的情感，而且还确保整个对话的平滑情感过渡。最后，我们在Possibility Dial上建立了基准测试结果，我们将发布此数据集和相关源代码，以方便未来的研究。
2022-04-22 cs.CL
Chat-Capsule: A Hierarchical Capsule for Dialog-level Emotion Analysis
Beijing Academy of Artificial Intelligence（北京人工智能研究院）；Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；Nanyang Technological University（南洋理工大学）；Amazon Web Services（亚马逊云科技）；Lingxin AI（灵心智能）；Tsinghua University（清华大学）
许多对话情感分析的研究只关注话语层面的情感。因此，这些模型并没有针对对话级情感检测进行优化，即，不能作为一个整体来预测对话的情感类别。更重要的是，这些模型不能从整个对话框提供的上下文中获益。在现实世界的应用中，对对话的注释可以是细粒度的，包括话语级标签（例如，说话者类型、意图类别和情感类别）和对话级标签（例如，用户满意度和情感曲线类别）两者。本文提出了一个基于上下文的层次注意力胶囊模型，它同时模拟了话语层和对话层的情感及其相互关系。在从电子商务平台的客户支持收集的对话数据集上，我们的模型也能够预测用户满意度和情感曲线类别。情感曲线是指随着谈话的发展，人们的情感发生变化的曲线。实验表明，建议聊天胶囊优于国家的最先进的基准数据集和专有数据集的基线。源代码将在接受后发布。
2022-03-23 cs.CL
Simulated Annealing for Emotional Dialogue Systems
University of Alberta（阿尔伯塔大学）；Alberta Machine Intelligence Institute (Amii)（阿尔伯塔机器智能研究所）
在对话生成中显式建模情感具有重要的应用，例如建立移情的个人伴侣。在这项研究中，我们认为表达一个特定的情感对话生成的任务。以前的方法将情感作为输入信号，在推理过程中可能会被忽略。相反，我们提出了一个基于搜索的情感对话系统模拟退火（SA）。具体来说，我们首先定义了一个评分功能，结合上下文连贯性和情感的正确性。然后，SA迭代地编辑一般响应并搜索具有更高分数的句子，强制执行所需情感的存在。我们在NLPCC 2017数据集上评估了我们的系统。我们提出的方法显示，与以前的最先进的方法相比，情感准确性提高了12%，而不会损害生成质量（由BLEU测量）。
2021-09-22 cs.CL
Affective Visual Dialog: A Large-Scale Benchmark for Emotional Reasoning Based on Visually Grounded Conversations
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）；HealthUnity；Google DeepMind（谷歌DeepMind）
本文提出情感视觉对话任务及包含50K个10轮视觉对话的AffectVisDial数据集，覆盖问答、情感预测和情感解释生成，并验证了基线模型的情感推理能力。
2024-08-27 cs.CL
Emotion Conditioned Creative Dialog Generation
University of Helsinki（赫尔辛基大学）
我们提出了一个基于DialGPT的模型，用于生成基于以下情绪之一的创造性对话反应：愤怒，厌恶，恐惧，幸福，痛苦，悲伤和惊喜。我们的模型是能够产生一个上下文适当的反应给定的输入句子和所需的情感标签。我们的模型能够以0.6的精度表达所需的情感。表现最好的情绪是中性的，恐惧和厌恶。当测量表达的情绪的强度时，我们发现愤怒、恐惧和厌恶被模型以最强烈的方式表达。
2022-12-06 cs.CL
Exploiting Emotion-Semantic Correlations for Empathetic Response Generation
College of Computer and Data Science, Fuzhou University（福州大学计算机与数据科学学院）；Digital Fujian Institute of Financial Big Data（数字福建金融大数据研究院）；Leiden University（莱顿大学）；College of Computer Science and Technology, Chongqing University of Technology（重庆理工大学计算机科学与技术学院）
针对共情回复生成中静态情感词表示忽视动态性及情感-语义关联的问题，提出ESCM，利用依存树和动态相关图卷积网络提升语义情感理解与回复质量。
2024-02-27 cs.AI cs.CL
Self-Emotion Blended Dialogue Generation in Social Simulation Agents
The University of Tokyo（东京大学）；Couger Inc（库格公司）
本文研究 LLM 社会模拟智能体的自我情绪，通过策略预测、微调模型评估和多主题虚拟讨论实验，证明其可提升对话拟人度与自然性，并显著改变约半数决策。
2024-08-03 cs.AI cs.CL cs.CY
Knowledge Bridging for Empathetic Dialogue Generation
School of Computer Science and Technology, Shandong University（山东大学计算机科学与技术学院）；Tencent AI Lab（腾讯人工智能实验室）；Department of Computer Science, The University of Hong Kong（香港大学计算机科学系）
外部知识的缺乏使得移情对话系统难以从有限的对话历史中感知内隐情感并学习情感交互。针对上述问题，我们提出利用外部知识，包括常识知识和情感词汇知识，在移情对话生成中明确地理解和表达情感。我们首先通过与外部知识的共同交互来丰富对话历史，并构建情感上下文图。然后，我们从知识丰富的情感上下文图中学习情感上下文表示，并提取情感信号，这是预测反应中表达的情感的先决条件。最后，为了产生移情反应，我们提出了一种情绪交叉注意力机制，从情绪上下文图中学习情绪依赖。在基准数据集上进行的大量实验验证了该方法的有效性。此外，我们发现我们的方法的性能可以通过与正交工作的预训练模型集成来进一步提高。
2021-12-29 cs.CL
Affect-Driven Dialog Generation
Disney Research（迪士尼研究院）；Rutgers University（罗格斯大学）
当前用于端到端对话生成的大多数系统关注于响应质量，而没有对响应的情感内容的明确控制。在本文中，我们提出了一个情感驱动的对话系统，它产生的情绪反应，在一个控制的方式使用连续的情绪表示。该系统通过在单词和序列级别对情感进行建模来实现这一点，使用：（1）所需情感的矢量表示，（2）惩罚中性单词的情感正则化器，以及（3）迫使神经网络生成情感相关的各种单词的情感采样方法。在推理过程中，我们使用了一个重新排序的过程，旨在使用人在环优化过程提取最情绪相关的反应。我们从定量（BLEU评分和响应多样性）和定性（情感适当性）指标方面研究了系统的性能。
2019-04-04 cs.AI cs.CL cs.LG
Contrast and Generation Make BART a Good Dialogue Emotion Recognizer
School of Computer Science, Fudan University（复旦大学计算机科学技术学院）；Peng Cheng Laboratory（鹏城实验室）；Shanghai Key Laboratory of Intelligent Information Processing, Fudan University（复旦大学上海市智能信息处理重点实验室）
在对话系统中，具有相似语义的话语在不同的语境下可能具有不同的情感。因此，建立说话人相关的长距离语境情感关系模型在对话情感识别中起着关键作用。同时，区分不同的情感类别是不平凡的，因为它们通常具有语义相似的情感。为此，我们采用有监督的对比学习，使不同的情绪互斥，以更好地识别相似的情绪。同时，我们利用一个辅助响应生成任务，以提高模型的能力，处理上下文信息，从而迫使模型识别情感相似的语义在不同的情况下。为了实现这些目标，我们使用预训练的编码器-解码器模型BART作为我们的骨干模型，因为它非常适合理解和生成任务。在四个数据集上的实验表明，我们提出的模型在对话情感识别方面比现有的模型获得了更好的结果。消融研究进一步证明了监督对比损失和生成损失的有效性。
2022-01-24 cs.CL
Empathetic Dialog Generation with Fine-Grained Intents
School of Computer and Communication Sciences（计算机与通信科学学院）；École Polytechnique Fédérale de Lausanne, Switzerland（洛桑联邦理工学院）
移情对话生成的目的是在先前的对话轮之后产生连贯的反应，更重要的是，表现出关心和帮助的愿望。现有的模型要么依赖于预定义的情感标签来指导响应生成，要么使用确定性规则来决定响应的情感。随着高级语言模型的出现，可以直接从数据集中学习微妙的交互，前提是情感类别提供足够的细微差别，并且包括其他非情感但情感调节的意图。在本文中，我们描述了如何将32个情绪类别和8个额外的情绪调节意图的分类成功的移情反应生成的任务。为了便于训练，我们还从电影字幕中策划了一个大规模的情感对话数据集。通过一个精心设计的众包实验，我们评估并展示了我们的模型如何产生更多的移情对话。
2021-10-04 cs.CL
EVOKE: Emotion Vocabulary Of Korean and English
本文介绍了EVOKE情感词汇库，包含韩英情感词汇及多对多翻译，系统标注了819个韩语和924个英语形容词和动词，揭示了多义情感词和隐喻关系，为情感研究提供系统工具。
2026-04-10 cs.CL
Constructing Emotion Consensus and Utilizing Unpaired Data for Empathetic Dialogue Generation
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Pattern Recognition Center, WeChat AI, Tencent Inc（腾讯公司微信人工智能模式识别中心）
对话移情研究旨在赋予主体对情感的准确理解和恰当反应的能力。现有的移情对话生成模型只关注从语境到反应的情感流动。我们认为，进行移情对话是一个双向的过程，当两个对话者的情绪可以集中在同一点时，移情就会发生，即，达成情感共识。此外，我们还发现移情对话语料极其有限，这进一步限制了模型的性能。为了解决上述问题，我们提出了一个双生成模型，Dual-Emp，同时构建情感共识，并利用一些外部的非配对数据。具体来说，我们的模型集成了一个前向对话模型，一个后向对话模型，和一个离散的潜在变量代表的情感共识到一个统一的架构。然后，为了缓解配对数据的约束，我们从开放域会话中提取未配对的情感数据，并使用Dual-Emp产生伪配对移情样本，这比人工注释更有效，成本更低。自动和人工评估表明，我们的方法在产生连贯和同情的反应方面优于竞争基线。
2021-09-18 cs.CL
ECQED: Emotion-Cause Quadruple Extraction in Dialogs
Wuhan University（武汉大学）；National University of Singapore（新加坡国立大学）
针对现有情感-原因对抽取任务缺失细粒度类型、局限单文本场景的问题，本文提出对话情感-原因四元组抽取任务ECQED，并设计基于异质图与并行网格标注的模型，在相关任务上优于基线且能提升对话生成效果。
2023-06-10 cs.CL
Empathetic Dialogue Generation via Sensitive Emotion Recognition and Sensible Knowledge Selection
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）；WeChat AI, Tencent Inc（腾讯公司微信AI）
移情被广泛用于心理咨询，是人类日常对话的一个关键特征。目前的共情反应生成方法都是基于常识性知识，在对话语境中捕捉隐含的情感，将情感作为一个静态变量来处理。然而，情感在话语之间是动态变化的，这使得以往的研究很难感知情感流动，预测目标反应的正确情感，从而导致不恰当的反应。此外，简单地导入常识知识而不进行协调可能会引发知识和情感之间的冲突，从而混淆模型以选择不正确的信息来指导生成过程。为了解决上述问题，我们提出了一个串行编码和推理知识交互（SEEK）的移情对话生成方法。我们使用一个细粒度的编码策略，这是更敏感的情感动态（情感流）的会话预测的情感意图特征的反应。此外，我们设计了一个新的框架来模拟知识和情感之间的相互作用，以产生更明智的反应。在EmpatheticDialogues上进行的大量实验表明，SEEK在自动和手动评估方面都优于强基线。
2022-11-13 cs.CL
EmoDynamiX: Emotional Support Dialogue Strategy Prediction by Modelling MiXed Emotions and Discourse Dynamics
LTCI, Télécom Paris, Institut Polytechnique de Paris（LTCI，Telecom Paris， Institut Polytechnique de Paris）；Inria Paris（Inria巴黎）
针对LLMs端到端情感支持对话系统策略不透明及偏好偏差问题，提出EmoDynamiX框架，将策略预测与生成解耦，建模用户细粒度情绪与系统策略的话语动态，提升性能与透明度。
2025-06-16 cs.CL
Multi-Task Learning of Generation and Classification for Emotion-Aware Dialogue Response Generation
Waseda University（早稻田大学）
要让计算机自然地与人类互动，它需要像人类一样。在本文中，我们提出了一个神经反应生成模型与多任务学习的生成和分类，专注于情感。我们的模型基于BART（Lewis等人，2020），一种预先训练的Transformer编码器-解码器模型，被训练以同时生成响应和识别情绪。此外，我们加权的任务的损失，以控制参数的更新。自动评估和众包手动评估表明，所提出的模型使生成的反应更情绪化。
2021-05-25 cs.CL
Generating Responses Expressing Emotion in an Open-domain Dialogue System
University of Alberta（阿尔伯塔大学）
基于神经网络的开放式会话代理根据从大量成对话语中学习到的预测模型自动生成响应。生成的响应通常可以作为一个句子接受，但通常是沉闷的，通用的，当然没有任何情感。在本文中，我们提出了神经模型，学习表达一个给定的情感在生成的响应。我们提出了四种模型，并根据3个基线进行评估。具有多个注意层的基于编码器-解码器框架的模型在表达所需情感方面提供了最佳的整体性能。虽然它在所有情绪上的表现都不优于其他模型，但在大多数情况下，它都呈现出令人鼓舞的结果。
2018-11-15 cs.AI cs.CL cs.LG
Think Twice: A Human-like Two-stage Conversational Agent for Emotional Response Generation
Tianjin University（天津大学）；Quesoar Co. Ltd.（Quesoar有限公司）；China Mobile Communication Group Tianjin Co., Ltd.（中国移动通信集团天津有限公司）
针对情感对话中情感与语义相互制约及标注数据稀缺问题，提出两阶段对话智能体：先由无语料标注的模型生成语义原型回复，再用可控情感精炼器进行修改，在情感生成和语义保持上均优于对比模型。
2024-10-01 cs.CL cs.HC
EmpDG: Multiresolution Interactive Empathetic Dialogue Generation
Shandong University（山东大学）；Tencent AI Lab（腾讯AI实验室）
一个人性化的对话系统应该能够产生富有同情心的回复，这种回复应该对用户所表达的情感敏感。移情对话生成的任务被提出来解决这个问题。关键的挑战在于准确地捕捉人类情感的细微差别，并考虑用户反馈的潜力，这是大多数现有工作所忽视的。针对这个问题，我们提出了一个多分辨率对抗模型- EmpDG，以产生更多的移情反应。EmpDG利用粗粒度对话级和细粒度令牌级情感，后者有助于更好地捕捉用户情感的细微差别。此外，我们还引入了一个交互式对抗学习框架，该框架利用用户反馈来识别所生成的响应是否在对话中唤起情感感知。实验结果表明，该方法显着优于国家的最先进的基线在内容质量和情感感知。
2020-11-20 cs.CL
EmoTrace: An Emotion Trajectory-Centered Framework for Psychological Support Dialogue Generation
Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）
该研究针对现有心理支持对话数据生成方法的局限，提出EmoTrace框架，通过构建求助者认知概况及相关模块，以模拟其情感轨迹，增强情感表达层次性，实验证明该方法在情感丰富度和共情质量上优于现有方法。
2026-09-01 cs.CL
Dynamic Causal Disentanglement Model for Dialogue Emotion Detection
Tianjin University（天津大学）；Tsinghua University（清华大学）
本文提出一种基于隐变量分离的动态因果解耦模型，通过引入因果有向无环图结合个人属性和话语主题指导解耦，并利用动态时间模型捕捉情感累积，有效提升了对话情感检测的精度。
2023-09-13 cs.CL cs.CV
Emotion Dynamics in Movie Dialogues
Carleton University（卡尔顿大学）；National Research Council Canada（加拿大国家研究委员会）
情绪动力学是一个衡量个人情绪如何随时间变化的框架。它是一个强大的工具，可以帮助我们理解我们的行为以及与世界的互动。在本文中，我们介绍了一个框架来跟踪情绪动态通过一个人的话语。具体来说，我们介绍了一些话语情绪动力学（UED）的指标，在心理学的工作的启发。我们使用这种方法来跟踪电影人物的情感弧线。我们分析了数千个这样的角色弧，以测试我们对故事更广泛理解的假设。值得注意的是，我们发现有一种趋势，人物使用越来越多的负面词汇，并且在情感上越来越不和谐，直到大约90%的叙事长度。UED也有在行为研究，社会科学和公共卫生的应用。
2021-09-06 cs.CL
Empathetic Response Generation with State Management
Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））
一个好的同理心对话系统应该首先跟踪和理解用户的情绪，然后用适当的情绪进行回复。然而，目前的方法，这一任务要么集中在提高用户的情感的理解或提出更好的应对策略，很少有作品考虑在同一时间。我们的工作试图填补这一空缺。受面向任务的对话系统的启发，我们提出了一个新的移情反应生成模型与情感感知的对话管理。情感感知对话管理包括两个部分：（1）情感状态跟踪，维护用户当前的情感状态;（2）移情对话策略选择，根据情感状态跟踪的结果预测目标情感和用户意图。然后，预测的信息用于指导响应的生成。实验结果表明，动态管理不同的信息可以帮助模型产生更多的移情反应相比，在自动和人工评估的几个基线。
2022-08-03 cs.CL
Infusing Emotions into Task-oriented Dialogue Systems: Understanding, Management, and Generation
Heinrich Heine University Düsseldorf（杜塞尔多夫海因里希·海涅大学）
本文首次将情感建模完整融入任务导向对话系统的理解、管理与生成全流程，并通过扩展EmoWOZ数据集及模拟与真人交互实验，证明该方法能同时提升用户情感体验和任务成功率。
2024-08-05 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
Emotion Twenty Questions Dialog System for Lexical Emotional Intelligence
University of St. Thomas（圣托马斯大学）
本文介绍了一个基于Web的演示情绪二十问题（EMO20Q），对话游戏，其目的是研究人们如何描述情绪。EMO20Q还可以用来开发可以玩游戏的人工智能对话代理。在以前的工作中，EMO20 Q代理使用顺序贝叶斯机器学习模型，可以发挥提问的作用。更新的基于transformer的神经机器学习模型使得开发一个回答问题的代理成为可能。这篇演示论文描述了EMO20Q游戏的问答角色的最新发展，该游戏要求智能体对更多的开放式输入做出响应。此外，我们还描述了系统的设计，包括基于Web的前端，代理的体系结构和编程，并更新早期使用的软件。演示系统将在ACII会议期间收集试验数据，这些数据将用于为未来的实验和系统设计提供信息。
2022-10-05 cs.CL cs.HC
SAGE: Steering Dialog Generation with Future-Aware State-Action Augmentation
Apple（苹果公司）
提出SAGE方法，通过状态-动作链引入潜变量控制对话长程行为，并结合自我改进流程优化对话轨迹，提升了情感智能指标且保持LLM基准能力。
2025-07-01 cs.AI cs.CL
PRISMA: Preference-Reinforced Self-Training Approach for Interpretable Emotionally Intelligent Negotiation Dialogues
Department of Computer Science and Engineering, Indian Institute of Technology Patna, India（印度理工学院帕纳瓦分校计算机科学与工程系）；School of Artificial Intelligence and Data Science, Indian Institute of Technology Jodhpur, India（印度理工学院朱道尔分校人工智能与数据科学学院）
PRISMA通过引入情感感知谈判策略引导的推理机制，提升谈判对话的可解释性和情感响应能力，在招聘面试和资源分配领域实现更有效的谈判效果。
2026-04-20 cs.CL
Multi-Task Learning for Depression Detection in Dialogs
Universite de Lorraine（洛林大学）；CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）；Université de Toulouse（图卢兹大学）
抑郁症是一种严重的精神疾病，影响人们的沟通方式，特别是通过他们的情绪，以及据称他们与他人互动的方式。这项工作研究了对话中的抑郁信号，这是一种研究较少的设置，受数据稀疏性的影响。我们假设抑郁和情绪可以相互影响，我们建议通过话题和对话行为预测来探索对话结构的影响。我们研究了多任务学习（MTL）的方法，其中上述所有任务都是与对话框定制的分层建模共同学习的。我们的实验DAIC和DailyDialog语料库，都包含对话在英语中，并显示出重要的改进，超过国家的最先进的抑郁症检测（最好的70.6%F1），这表明抑郁症的相关性与情绪和对话组织和MTL的力量，以利用来自不同来源的信息。
2022-07-21 cs.AI cs.CL cs.LG
A Unified Approach to Emotion Detection and Task-Oriented Dialogue Modeling
Université Paris-Saclay（巴黎萨克雷大学）；CNRS（法国国家科学研究中心）
本文提出将情感检测统一集成到任务导向对话建模中，通过扩展SimpleToD的信念状态跟踪，在EmoWOZ上验证了该方法能同时提升情感检测与任务性能，并改善系统响应的同理心。
2024-06-28 cs.CL
RECAP: Transparent Inference-Time Emotion Alignment for Medical Dialogue Systems
RECAP通过结构化情感推理提升医疗对话系统的情感响应质量，实现透明和可审计的同理心沟通。
2025-12-03 cs.CL
Empathetic Response Generation via Emotion Cause Transition Graph
Alibaba（阿里巴巴）
移情对话是一种类似人类的行为，需要感知两种情感因素（例如，情绪状态）和认知因素（例如，感情的原因）。除了早期的研究中关注情感状态外，最新的研究方法研究了移情对话中的情感原因。这些方法侧重于理解和复制语境中的情感原因，以表现出对说话者的同情。然而，真正的共情反应并不只是重复情境中的原因，而是从情境中的原因向反应中的原因进行逻辑上的、以情感为中心的过渡。在这项工作中，我们提出了一个情感原因转换图，明确地模拟情感原因之间的自然过渡的移情对话中的两个相邻的回合。通过该图，可以预测下一轮情感原因的概念词，并由专门设计的概念感知解码器用于生成移情反应。在基准数据集上的自动和人工实验结果表明，我们的方法比现有模型产生更多的同理心，连贯性，信息量和具体的反应。
2023-02-23 cs.CL
Perspective-taking and Pragmatics for Generating Empathetic Responses Focused on Emotion Causes
Seoul National University（首尔国立大学）
移情是一种基于对他人情感状态的推理的复杂认知能力。为了更好地理解他人，并在对话中表达更强的同理心，我们认为，两个问题必须同时解决：（一）确定哪个词是另一个情绪的原因，从他或她的话语和（ii）反映这些特定的话在响应生成。然而，用于识别文本中的情感原因词的先前方法需要子话语级注释，这可能是苛刻的。从社会认知中获得灵感，我们利用生成估计器从没有词级标签的话语中推断情感原因词。此外，我们引入了一种新的方法，基于语用学，使对话模型集中在目标词的输入在生成过程中。我们的方法适用于任何对话模型，无需额外的训练。我们表明，我们的方法提高了多个性能最佳的对话代理在自动和人工评价方面产生更集中的移情反应。
2021-09-21 cs.CL
Context-Emotion Aware Therapeutic Dialogue Generation: A Multi-component Reinforcement Learning Approach to Language Models for Mental Health Support
University College London（伦敦大学学院）
本文提出一种多组件强化学习方法，通过改进GPT-2的治疗对话生成能力，提升情绪准确性和上下文相关性，以支持心理健康领域的发展。
2026-02-16 cs.CL
Modeling Content-Emotion Duality via Disentanglement for Empathetic Conversation
The Hong Kong Polytechnic University（香港理工大学）；LMU Munich（慕尼黑大学）
移情反应生成的任务是理解说话者对自己的经历表达了什么样的情感，然后恰当地回答说话者。为了解决这个问题，必须对对话的内容-情感二元性进行建模，对话由内容视图（即，描述了什么样的个人经历）和情感视图（即，作者对这些经历的感受）。为此，我们设计了一个框架来模拟内容情感二重性（CEDual）通过解开移情反应的产生。使用解纠缠，我们从内容和情感的角度对对话历史进行编码，然后基于解纠缠的表征生成移情响应，从而对话历史的内容和情感信息都可以嵌入到生成的响应中。在基准数据集EMPATHETICDIALOGUES上的实验表明，CEDual模型在自动和人工指标上都达到了最先进的性能，并且比以前的方法产生了更多的移情响应。
2022-09-26 cs.CL
MoEL: Mixture of Empathetic Listeners
先前关于移情对话系统的研究主要集中在对特定情绪的反应上。然而，移情不仅需要产生情感反应的能力，更重要的是需要理解用户的情绪并做出适当的回应。在本文中，我们提出了一种新的端到端的方法来建模移情在对话系统：移情听众（MoEL）的混合。我们的模型首先捕捉用户的情绪，并输出一个情绪分布。在此基础上，MoEL将柔和地组合适当的情感的输出状态，每个情感都被优化以对某些情绪做出反应，并产生移情反应。人类对移情对话的评价（Rashkin等人，2018）数据集证实，MoEL在同理心，相关性和流畅性方面优于多任务训练基线。此外，对不同听众的生成响应的案例研究表明，我们的模型具有很高的可解释性。
2019-08-21 cs.CL
Learning from Implicit User Feedback, Emotions and Demographic Information in Task-Oriented and Document-Grounded Dialogues
Technical University of Darmstadt（达姆施塔特工业大学）；Hessian Center for AI (hessian.AI)（黑森人工智能中心）；Department of Computer Science（计算机科学系）；Ubiquitous Knowledge Processing Lab (UKP Lab)（普适知识处理实验室）
本文提出FEDI数据集，首个标注隐式用户反馈、情绪和人口统计信息的英文任务导向与文档基础对话数据集，实验证明这些信息显著提升任务完成度和事实一致性。
2024-11-09 cs.CL cs.HC
Emotion-Aware Transformer Encoder for Empathetic Dialogue Generation
Delhi Technological University（德里理工大学）
现代会话代理被训练成模仿人类交流的方式。为了在情感上与用户建立联系，这些虚拟代理需要了解用户的情感状态。Transformers是序列到序列学习中的最新技术水平，其涉及使用来自话语-响应对的词嵌入来训练编码器-解码器模型。我们提出了一个情感感知的Transformer编码器，用于捕获用户话语中的情商，以产生类似人类的移情反应。本文的贡献如下：1）在输入话语上训练的情感检测器模块确定用户在初始阶段中的情感状态2）提出了一种新颖的Transformer编码器，其将词嵌入与情感嵌入相加并归一化，从而集成了输入话语的语义和情感方面3）编码器和解码器栈属于Transformer。XL体系结构，这是语言建模的最新技术水平。在基准Facebook AI移情对话数据集上的实验证实了我们模型的有效性，与现有方法相比，生成的响应获得了更高的BLEU-4分数。智能虚拟代理现在是一个现实，包括影响作为一种模态在所有人机界面预见在不久的将来。
2022-04-24 cs.CL cs.SD eess.AS
PragAlign: Feedback-Guided Pragmatic Alignment for Controlled Synthetic Dialogue Generation
University of Minnesota, Twin Cities（明尼苏达大学双城分校）
本文提出PragAlign框架，采用生成-评估-修正循环实现受控合成对话生成，在800组对话规格上获99.50%评估接受率，可有效提升多交际约束满足度，但情感实现等仍为未解决挑战。
2026-09-03 cs.CL
Emotional Neural Language Generation Grounded in Situational Contexts
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
情感语言生成是类人人工智能的关键之一。人类使用不同类型的情感取决于谈话的情况。情绪在调节与对话伙伴的参与程度方面也起着重要作用。然而，目前的会话代理不能有效地解释语言生成过程中的情感内容。为了解决这个问题，我们开发了一种语言建模方法，当对话位于给定的上下文中时，该方法生成情感内容。我们使用最近发布的移情对话语料库来构建我们的模型。通过详细的实验，我们发现，我们的方法优于国家的最先进的方法的困惑度量约5点，并实现了更高的BLEU度量得分。
2019-11-25 cs.CL
Psychological Metrics for Dialog System Evaluation
University of Pennsylvania（宾夕法尼亚大学）；Stony Brook University（石溪大学）；New York University（纽约大学）
本文提出五个基于心理学的可解释对话评估指标，并在多个数据集上验证其能提供与传统指标互补的新信息，从而提升对话系统评估的准确性和可解释性。
2023-09-16 cs.CL
Tracing Intricate Cues in Dialogue: Joint Graph Structure and Sentiment Dynamics for Multimodal Emotion Recognition
School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（华中科技大学人工智能与自动化学院）；Institute of Artificial Intelligence, Huazhong University of Science and Technology（华中科技大学人工智能研究院）；Hubei Key Laboratory of Brain-Inspired Intelligent Systems, Huazhong University of Science and Technology（华中科技大学脑启发智能系统省重点实验室）；Key Laboratory of Image Processing and Intelligent Control (Huazhong University of Science and Technology), Ministry of Education（图像处理与智能控制重点实验室（华中科技大学））
提出GraphSmile方法，通过GSF模块交替吸收跨模态和模态内情感依赖避免融合冲突，并利用SDP辅助任务捕捉情感动态，显著提升了多模态情感识别与分析任务的性能。
2025-06-29 cs.CL
EmpTransfo: A Multi-head Transformer Architecture for Creating Empathetic Dialog Systems
University of Denver（丹佛大学）；Department of Electrical and Computer Engineering, University of Denver（丹佛大学电气与计算机工程系）
理解情感并做出相应的反应是对话系统面临的最大挑战之一。本文介绍了EmpTransfo，一个多头Transformer架构，用于创建一个移情对话系统。EmpTransfo利用最先进的预训练模型（例如，OpenAI-GPT）用于语言生成，尽管可以使用不同大小的模型。我们表明，利用历史的情感和其他元数据可以提高对话系统生成的对话的质量。我们使用具有挑战性的语言语料库的实验结果表明，所提出的方法优于其他模型的Hit@1和PPL（困惑）。
2020-03-05 cs.CL cs.LG
deep learning of segment-level feature representation for speech emotion recognition in conversations
Queen Mary University of London（伦敦玛丽女王大学）；Amazon（亚马逊）
由于会话中情感和动态的复杂性，准确地检测会话中的情感是一项必要而具有挑战性的任务。说话者的情绪状态会受到许多不同因素的影响，如对话者刺激、对话场景和话题。在这项工作中，我们提出了一个会话语音情感识别方法来处理捕获注意上下文依赖和说话人敏感的互动。首先，我们使用预训练的VGGish模型来提取单个话语中基于片段的音频表示。其次，一个专注的双向门控递归单元（GRU）模型上下文敏感信息，并探讨内和说话人之间的依赖关系，以动态的方式。在标准会话数据集MELD上进行的实验表明，与最先进的方法相比，所提出的方法是有效的。
2023-02-05 cs.CL cs.SD eess.AS
