Towards Persona-Based Empathetic Conversational Models
Alibaba-NTU Singapore Joint Research Institute（阿里巴巴-南洋理工大学新加坡联合研究院）；Alibaba Group（阿里巴巴集团）
移情会话模型已被证明可以在许多领域提高用户满意度和任务结果。在心理学中，人物角色被证明与人格高度相关，而人格又反过来影响同理心。此外，我们的实证分析还表明，人物角色在移情会话中起着重要的作用。为此，我们提出了一个新的任务，对基于人物角色的移情会话，并提出了第一个实证研究的影响人物角色的移情反应。具体来说，我们首先提出了一个新的大规模多域数据集的基于人物角色的移情对话。然后，我们提出了CoBERT，一个有效的基于BERT的响应选择模型，它在我们的数据集上获得了最先进的性能。最后，我们进行了广泛的实验，以探讨影响的人物角色的移情反应。值得注意的是，我们的研究结果表明，当CoBERT接受移情对话训练时，人物角色比非移情对话更能提高移情反应，从而在人类对话中建立了人物角色与移情之间的经验联系。
2020-11-19 cs.AI cs.CL cs.HC
CPED: A Large-Scale Chinese Personalized and Emotional Dialogue Dataset for Conversational AI
South China University of Technology（华南理工大学）；UBTECH Robotics Corp（优必选科技股份有限公司）；Tsinghua University（清华大学）
人类的语言表达是基于情景的主观联想而不是客观真实条件，这意味着说话人的个性和情感经过认知加工后对会话有着重要的影响。然而，大多数现有的会话人工智能数据集忽略了人类的个性和情感，或者只考虑其中的一部分。虽然大规模的预训练语言模型已经得到广泛的应用，但是对话系统很难理解说话人的个性和情感。为了在会话生成过程中同时考虑个性和情感因素，本文提出了一个大规模的中文个性化情感会话数据集--CPED，该数据集包含了与移情和个人特征相关的多源知识。这些知识包括性别，大五人格特质，13种情感，19种对话行为和10种场景。CPED包含来自40个电视节目的392个扬声器的超过12 K对话。我们根据视频平台的版权声明、隐私问题、服务条款发布包含音频特征和视频特征的文本数据集。我们提供了CPED构建过程的详细描述，并介绍了会话AI的三个任务，包括个性识别，会话中的情感识别以及个性化和情感会话生成。最后，我们为这些任务提供了基线系统，并考虑了说话者的个性和情感在会话中的作用。我们的动机是提出一个被NLP社区广泛采用的数据集，作为对话式AI研究的新开放基准。完整的数据集可在https://github.com/scutcyr/CPED上获得。
2022-05-29 cs.AI cs.CL cs.HC
Speaker Profiling in Multiparty Conversations
Indraprastha Institute of Information Technology Delhi（德里英德拉普拉斯塔信息技术学院）；Indian Institute of Technology Delhi（印度理工学院德里分校）
本文提出对话中的说话人画像（SPC）任务，将其分解为人格发现、类型识别与值抽取三个子任务，构建SPICE数据集，并提出神经模型SPOT进行基准评测与模块局限分析。
2023-04-19 cs.AI cs.CL
Toward Conversational Hungarian Speech Recognition: Introducing the BEA-Large and BEA-Dialogue Datasets
ELTE Research Centre for Linguistics（ELTE语言研究研究中心）；Speechtex Ltd.（Speechtex公司）
本文介绍了BEA-Large和BEA-Dialogue两个匈牙利语语音数据集，用于提升对话式语音识别技术，并展示了基于这些数据集的ASR模型性能及说话人识别结果。
2026-01-14 cs.AI cs.CL cs.SD
Diarization-Guided Qwen-ASR Adaptation for Multilingual Two-Speaker Conversational Speech
该研究针对多语言双说话者对话语音，设计了结合语音分离前端与适配Qwen3-ASR-1.7B识别器的系统。通过多步微调及强化学习适配ASR模型，在挑战赛中取得较好成绩，消融实验显示各部分对提升性能和鲁棒性的作用。
2026-07-17 cs.CL
Enhancing Personality Recognition in Dialogue by Data Augmentation and Heterogeneous Conversational Graph Networks
Graduate School of Informatics, Kyoto University（京都大学情报学研究科）；NICT（信息通信研究机构）；rinna Co., Ltd.（rinna公司）
针对对话人格识别中语料说话者少、对话依赖关系建模难的问题，提出人格特质插值数据增强法与异质对话图网络，在RealPersonaChat语料上效果显著优于现有基线。
2024-03-08 cs.CL
End-to-End Single-Channel Speaker-Turn Aware Conversational Speech Translation
Idiap Research Institute（伊迪亚普研究所）；EPFL（洛桑联邦理工学院）；AWS AI Labs（亚马逊云科技人工智能实验室）
本文提出端到端多任务的说话人轮次感知对话语音翻译模型，融合 ASR、ST 与轮次检测，并在适配后的 Fisher-CALLHOME 单通道多说话人语料上验证其优势。
2023-11-01 cs.CL eess.AS
Eliminating deceptions and mistaken belief to infer conversational implicature
会话含义通常被描述为在合作对话中说话者违背或蔑视某种原则而产生的。然而，这样的工作并没有区分说话者藐视这样一个原则的情况下，说话者是欺骗性的或持有错误的信念。在本文中，我们将展示如何区分这三种不同的情况下，归因于发言者的话语的信念。我们认为，在区分说话人的意图和归因于这种信念的行为，意图推断可以由听话人。这一理论在ViewGen中实现，ViewGen是一个用于医疗咨询领域的现有信念建模系统。
1998-06-05 cmp-lg cs.CL
Speaker-Aware Simulation Improves Conversational Speech Recognition
SpeechTex Ltd.（SpeechTex公司）；ELTE Research Centre for Linguistics（ELTE语言学研究中心）
本文提出面向说话人的模拟对话方法，通过生成合成对话数据提升匈牙利语对话语音识别性能。
2026-02-04 cs.CL cs.SD eess.AS
Pearl: A Review-driven Persona-Knowledge Grounded Conversational Recommendation Dataset
Yonsei University（延世大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对现有对话推荐数据集缺乏用户偏好和推荐解释的问题，本文提出基于评论驱动、角色与知识增强的大语言模型模拟器合成的PEARL数据集，包含超57k对话，实验证明其推荐更具相关性。
2024-06-08 cs.CL
Who Spoke What When? Evaluating Spoken Language Models for Conversational ASR with Semantic and Overlap-Aware Metrics
NTT, Inc.（日本NTT公司）；CMU（卡内基梅隆大学）；BUT（捷克但尼奇技术大学）
本文通过语义和重叠感知指标评估对话ASR模型，发现基于LLM的系统在双人对话中表现良好，但随着说话人数和重叠增加而下降，而模块化流水线方法更稳健。
2026-03-24 cs.CL eess.AS
A Persona-Based Neural Conversation Model
Stanford University（斯坦福大学）；Microsoft Research（微软研究院）；University College London（伦敦大学学院）
我们提出了基于人物的模型来处理神经反应生成中的说话人一致性问题。说话人模型将人物角色编码到分布式嵌入中，这些嵌入捕获了个人特征，如背景信息和说话风格。一个二元的说话人-受话人模型捕捉两个对话者之间的互动属性。我们的模型在困惑和BLEU分数方面都比基线序列到序列模型产生了定性的性能改进，并且在说话者一致性方面具有类似的增益，如由人类判断所测量的。
2016-06-08 cs.CL
How Reliable Are Multimodal Signals of Conversational State? Evidence from Remote Dyadic Collaborative Tasks
Colby College（科尔比学院）
研究探讨从多模态行为测量对话状态的特征可靠性，提出三维评估框架用于视频会议二元对话特征评估，发现语言特征预测佳但跨任务通用性差，声学可靠性受说话者身份影响，交互特征是唯一可靠信号，强调相关评估对对话系统特征选择的重要性。
2026-07-21 cs.CL
Challenges of Multi-Speaker Extraction for Real Conversational Speech Enhancement
University of Sheffield（谢菲尔德大学）；South Westphalia University of Applied Sciences（南威斯特法伦应用科学大学）
针对真实对话中多说话人提取面临的沉默过多和注册语音不匹配挑战，提出新损失函数提升STOI和分段SNR，并分析不匹配影响。
2026-09-23 cs.CL cs.SD
Designing Explainable Conversational Agentic Systems for Guaraní Speakers
University of Kansas（堪萨斯大学）；Independent Researcher（独立研究员）；Lawrence, Kansas, USA（堪萨斯州劳伦斯市）；Sherwood, Oregon, USA（俄勒冈州谢尔伍德市）
本文探讨了为瓜拉尼语使用者设计可解释的对话代理系统，提出以口语优先的多代理架构，强调尊重原住民数据主权和双语现象，推动AI文化扎根。
2026-04-20 cs.CL
Detecting agreement in multi-party dialogue: evaluating speaker diarisation versus a procedural baseline to enhance user engagement
Heriot-Watt University（赫瑞-瓦特大学）
本研究针对多方对话中说话人身份影响对话状态跟踪的问题，对比说话人分群模型与基于频率邻近度的程序方法在一致性检测上的效果，发现后者准确率更高且更能提升用户参与度。
2023-11-06 cs.CL
The Conversational Short-phrase Speaker Diarization (CSSD) Task: Dataset, Evaluation Metric and Baselines
Institute of Acoustics, Chinese Academy of Sciences（中国科学院声学研究所）
会话场景是语音处理技术中最重要和最具挑战性的场景之一，因为人们在会话中以随意的方式相互响应。检测会话中每个人的语音活动对于后续任务（如自然语言处理、机器翻译等）至关重要。传统上，日志出错率（DER）一直被用作SD系统的标准评价指标。然而，DER未能给予足够的重视，短会话短语，这是短，但在语义层面上的重要性。此外，一个仔细和准确的手动注释的测试数据集适合于评估会话SD技术仍然是不可用的语音社区。在本文中，我们设计和描述会话短句说话人日记（CSSD）任务，它包括训练和测试数据集，评估指标和基线。在数据集方面，尽管之前开源了180小时的对话MagicData-RAMC数据集，但我们为CSSD任务准备了一个单独的20小时对话语音测试数据集，其中包含仔细和人工验证的扬声器时间戳注释。在度量方面，我们设计了新的会话DER（CDER）评估度量，它在话语级别上计算SD准确度。在基线方面，我们采用了一种常用的方法：变分贝叶斯HMM x向量系统，作为CSSD任务的基线。我们的评估指标可在https://github.com/SpeechClub/CDER_Metric上公开获取。
2022-08-17 cs.CL cs.SD eess.AS
Comparison of Speaker Role Recognition and Speaker Enrollment Protocol for conversational Clinical Interviews
PSL Research University（巴黎文理研究大学）；ENS（巴黎高等师范学院）；CNRS（法国国家科学研究中心）；EHESS（法国高等社会科学研究院）；INRIA（法国国家信息与自动化研究所）；INSERM（法国国家健康与医学研究院）；UPEC（巴黎第十二大学）；Henri-Mondor Hospital, APHP（巴黎公共医疗集团亨利·蒙多尔医院）；Huntington's Disease National Reference Center（亨廷顿病国家参考中心）
在自然条件下，临床医生和患者之间的对话是医疗随访的宝贵信息来源。对这些对话的自动分析可以帮助提取新的语言标记并加快临床医生的报告。然而，目前还不清楚哪种语音处理管道在检测和识别说话者转向方面表现最好，特别是对于有语音和语言障碍的人。在这里，我们提出了一个分裂的数据，允许进行比较评估的扬声器角色识别和扬声器注册方法来解决这个任务。我们训练了端到端神经网络架构，以适应每项任务，并在相同的指标下评估每种方法。实验结果报告神经心理学家和受访者之间的自然临床对话，在亨廷顿舞蹈症的不同阶段。我们发现，我们的扬声器角色识别模型给出了最好的性能。此外，我们的研究强调了使用域内数据重新训练模型的重要性。最后，我们观察到结果不取决于受访者的人口统计数据，这凸显了我们方法的临床相关性。
2020-11-05 cs.CL eess.AS
Unsupervised Speaker Diarization that is Agnostic to Language, Overlap-Aware, and Tuning Free
Spotify（声田）
播客本质上是对话式的，说话者的变化很频繁--需要对说话者进行日志化以便于理解内容。我们提出了一种无监督的技术，不依赖于语言特定的组件的扬声器日记。该算法是语音感知的，不需要关于扬声器数量的信息。我们的方法显示，与Google Cloud Platform解决方案相比，播客数据的纯度分数提高了79%（F分数提高了34%）。
2022-07-25 cs.CL
Rationality, Cooperation and Conversational Implicature
会话含义通常被描述为违反或蔑视合作原则。然而，这一原则的规范已被证明在计算上难以捉摸。在本文中，我们建议一个更有用的概念是合理性。这样一个概念可以明确地指定在规划方面，我们认为，扬声器执行话语的一部分，为他们特定的交际目标的最佳计划。听话人可以利用这一假设来推断说话人话语中隐含的会话含义。
1998-06-05 cmp-lg cs.CL
A Survey of Personality, Persona, and Profile in Conversational Agents and Chatbots
University of Essex（埃塞克斯大学）
本文综述了神经对话智能体中的个性研究，定义了个性、人设与画像，梳理了相关方案、21个数据集、体现方法及模型，并指出了该新兴领域的研究挑战。
2023-12-31 cs.AI cs.CL
Generating Data with Text-to-Speech and Large-Language Models for Conversational Speech Recognition
Carnegie Mellon University（卡内基梅隆大学）；University of Rochester（罗切斯特大学）
针对多说话人对话语音识别领域数据获取难的问题，提出结合LLM内容生成与多说话人对话式TTS的合成数据流水线，经Whisper模型微调验证，性能优于经典多说话人生成方法。
2024-08-17 cs.CL cs.SD eess.AS
AtmosERC: Modeling Dialogue-Level Affective Atmosphere for Emotion Recognition in Conversation
本文提出AtmosERC框架，通过建模对话级情感氛围提升对话情感识别性能，其可作为插件线索增强基于大语言模型的ERC，且在局部情感偏差下预测更稳定。
2026-10-14 cs.CL
Exploiting Persona Information for Diverse Generation of Conversational Responses
Harbin Institute of Technology（哈尔滨工业大学）；Peng Cheng Laboratory（鹏城实验室）；iFLYTEK Research（科大讯飞研究院）
在人类对话中，由于他们的个性，人们可以很容易地进行和保持对话。将具有人物角色信息的会话上下文赋予聊天机器人，如何利用这些信息来生成多样化和可持续的会话仍然是一项重要的任务。以前的工作基于人物的会话模型成功地利用预定义的人物信息，并在提供更现实的反应表现出很大的希望。它们都是在这样的假设下学习的，即给定一个源输入，只有一个目标响应。然而，在人类对话中，对于给定的输入信息有大量适当的反应。在本文中，我们提出了一个内存增强的架构，利用上下文的人物信息，并将条件变分自编码器模型一起产生多样化和可持续的对话。我们在基准人物聊天数据集上评估了所提出的模型。自动和人工评估都表明，与基线方法相比，我们的模型可以提供更多样化、更吸引人的基于人物角色的响应。
2019-05-29 cs.AI cs.CL
Conversational Emotion Analysis via Attention Mechanisms
CAS Center for Excellence in Brain Science and Intelligence Technology（中国科学院脑科学与智能技术卓越创新中心）；School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）
不同于对单个话语的情感识别，我们提出了一个多模态学习框架，利用话语之间的关系和依赖关系进行会话情感分析。注意力机制被应用于声学特征和词汇特征的融合。然后将这些融合表示馈送到基于自注意的双向门控递归单元（GRU）层以捕获长期上下文信息。为了模仿不同说话人的真实交互模式，说话人嵌入也被用作额外的输入，以区分会话对话期间的说话人身份。为了验证所提出的方法的有效性，我们进行了实验IEMOCAP数据库。实验结果表明，我们的方法表现出绝对的2.42%的性能提高了国家的最先进的战略。
2019-10-24 cs.CL cs.LG eess.AS
Enhancing Impression Change Prediction in Speed Dating Simulations Based on Speakers' Personalities
NTT Corporation（NTT公司）
本文针对快速约会模拟中话语选择未考虑人格与逐句印象变化的问题，提出结合双方人格预测话语是否改善印象的方法，实验证明人格有助于预测印象变化，且模拟对话更受好评。
2025-02-07 cs.CL cs.HC
Persona-Based Conversational AI: State of the Art and Challenges
Lirio LLC（利里奥有限责任公司）；North Carolina State University（北卡罗来纳州立大学）
本文针对现有对话AI缺乏成熟辅助信息整合方法的问题，综述了基于角色信息的前沿方法，在NeurIPS ConvAI2数据集上评估两种基线方法，阐明角色信息的重要性，同时指出当前方法局限并提出未来研究方向。
2022-12-04 cs.AI cs.CL cs.LG
Persona-Coded Poly-Encoder: Persona-Guided Multi-Stream Conversational Sentence Scoring
Lirio AI Research（Lirio人工智能研究院）；Lirio LLC（Lirio有限责任公司）；North Carolina State University（北卡罗来纳州立大学）
针对对话式AI难以有效利用人格等异构辅助信息提升对话质量的问题，提出Persona-Coded Poly-Encoder多流编码方法，在两个人格对话数据集上BLEU、HR@1较基线分别提升3.32%、2.94%，为多模态数据在对话任务中的应用提供路径。
2023-12-01 cs.AI cs.CL cs.LG
Faithful Persona-based Conversational Dataset Generation with Large Language Models
University of Southern California（南加州大学）；Google（谷歌）；Information Sciences Institute（信息科学研究所）；Google Research（谷歌研究院）
本研究提出基于生成器-评判器架构的大语言模型框架，以Persona-Chat为种子生成含2万条对话的Synthetic-Persona-Chat人格型数据集，经三轮迭代后图灵测试落败率从17.2%降至8.8%。
2023-12-15 cs.CL cs.LG
Conversational Contextual Cues: The Case of Personalization and History for Response Ranking
Google Inc（谷歌公司）
我们调查的任务建模开放域，多轮，非结构化，多参与者，会话对话。我们专门研究了将对话的不同元素结合起来的效果。与以前的努力，专注于建模的消息和响应，我们扩展到长期的上下文和参与者的历史建模。我们的系统不依赖于手写规则或工程特征;相反，我们在大型会话数据集上训练训练深度神经网络。特别是，我们利用Reddit评论和帖子的结构提取了21亿条消息和1.33亿次对话。我们评估了我们的模型在预测对话中的下一个响应的任务，我们发现，建模上下文和参与者提高了预测精度。
2016-06-01 cs.CL cs.LG
MTPChat: A Multimodal Time-Aware Persona Dataset for Conversational Agents
University of Technology Sydney（悉尼科技大学）；University of Liverpool（利物浦大学）
针对对话智能体时间感知角色对话数据集有限的问题，提出多模态时间感知角色对话数据集MTPChat，设计两个时间敏感任务，并提出含自适应时间模块的框架，验证了数据集的挑战性和框架的有效性。
2025-02-09 cs.AI cs.CL
Target speaker anonymization in multi-speaker recordings
1 Universit\'e de Lorraine, CNRS, Inria, Loria, F-54000, Nancy, France 2 National Institute of Informatics, 2-1-2 Hitotsubashi, 101-8430, Tokyo, Japan
本研究针对多说话人对话音频中的目标说话人匿名化难题，探索有效策略，指出开发中的潜在问题，并提出改进的评估方法，以弥补现有技术与评估的不足。
2025-10-10 cs.CL cs.CR eess.AS
WHAT, WHEN, and HOW to Ground: Designing User Persona-Aware Conversational Agents for Engaging Dialogue
SK Telecom（SK电讯）；University of Southern California（南加州大学）
本文针对个性化开放域对话中的 WWH 问题，提出加权数据集混合、负向画像信息增强和响应类型标签等方法，在保持对话流畅性的同时提升 grounded 响应的可控性与可解释性。
2023-07-03 cs.AI cs.CL
Directed Speech Separation for Automatic Speech Recognition of Long Form Conversational Speech
Amazon AWS AI（亚马逊AWS人工智能）
语音分离的许多最新进展主要针对具有高度重叠的短音频话语的合成混合。这些方法中的大多数需要额外的拼接步骤来拼接分离的语音块以获得长格式音频。由于大多数方法涉及排列不变训练（PIT），因此分离的语音块的顺序是不确定的，并且导致难以准确地拼接同质说话者块用于下游任务，如自动语音识别（ASR）。此外，大多数这些模型都是用合成混合物训练的，不能推广到真实的会话数据。在本文中，我们提出了一个扬声器条件分离器训练的扬声器嵌入直接从混合信号中提取使用过聚类为基础的方法。该模型自然地调节分离的块的顺序，而不需要额外的拼接步骤。我们还介绍了一个数据采样策略，真正的和合成的混合物，以及推广到真正的对话语音。有了这个模型和数据采样技术，我们在Hub 5数据上显示了说话者归因的单词错误率（SA-WER）的显着改善。
2022-09-06 cs.CL cs.LG cs.SD
Cross-Attention End-to-End ASR for Two-Party Conversations
Carnegie Mellon University（卡内基梅隆大学）
我们提出了一个端到端的语音识别模型，学习两个说话人之间的互动的基础上的话轮变化信息。与传统的语音识别模型不同，我们的模型利用了两个扬声器的历史会话上下文信息，跨越多个回合内的一个端到端的框架。具体来说，我们提出了一个特定于说话人的交叉注意机制，可以看看其他说话人的输出以及当前说话人的输出，以更好地识别长对话。我们评估的Switchboard会话语音语料库的模型，并表明我们的模型优于标准的端到端的语音识别模型。
2019-07-24 cs.CL cs.LG cs.SD
Behavior-Adaptive Conversational Agents: Toward a Fluid Personality Framework
Northeastern University（东北大学）
提出流动人格框架，根据任务上下文、用户目标和情境紧迫性，动态调整代理的隐喻角色和人格表达强度，以提升用户信任和体验。
2026-07-02 cs.AI cs.CL cs.HC
Conversational Rubert for Detecting Competitive Interruptions in ASR-Transcribed Dialogues
本研究针对ASR转录的俄语客户支持电话对话，通过微调Conversational RuBERT开发了一种基于文本的打断分类模型，能有效区分合作性与竞争性打断，可用于呼叫中心的自动监控。
2024-07-20 cs.CL cs.LG cs.SD
Emotion Detection in Unfix-length-Context Conversation
University of Luxembourg（卢森堡大学）；Australian national university（澳大利亚国立大学）
我们利用不同的上下文窗口预测不同的话语的情感。包括新的模块来实现可变长度上下文：1）两个说话者感知单元，其显式地对说话者内部和说话者之间的依赖性进行建模以形成提取的会话上下文，以及2）前k归一化层，其从会话上下文确定最合适的上下文窗口以预测情感。实验和消融研究表明，我们的方法在三个公共数据集上优于几个强基线。
2023-02-13 cs.CL cs.LG
The Bairong System for MLC-SLM 2026: Dynamic Question-Aware Evidence Routing for Multilingual Conversational Speech Understanding
Bairong, Inc.（百融云创）
本文提出百融系统，通过动态问题感知证据路由，在对话文本与音频线索间灵活选择证据，有效提升多语言对话口语问答性能，在MLC-SLM 2026任务中取得显著成果。
2026-09-22 cs.CL cs.SD
You Don't Know My Favorite Color: Preventing Dialogue Representations from Revealing Speakers' Private Personas
Hong Kong University of Science and Technology（香港科技大学）；WeBank（微众银行）
社交聊天机器人，也被称为聊天聊天机器人，随着大型预训练语言模型的快速发展。尽管取得了巨大的进步，但最近出现了隐私问题：大语言模型的训练数据可以通过模型反演攻击提取。另一方面，用于训练聊天机器人的数据集包含两个人之间的许多私人对话。在这项工作中，我们进一步研究了通过语言建模训练的聊天机器人的隐藏状态的隐私泄漏，这还没有得到很好的研究。我们表明，说话人的人物角色可以推断，通过一个简单的神经网络与高精度。为此，我们提出了有效的防御目标，以保护隐藏状态的人物泄漏。我们进行了大量的实验，证明我们提出的防御目标可以大大降低攻击的准确性从37.6%到0.5%。同时，所提出的目标保留了语言模型强大的生成能力。
2022-04-26 cs.CL cs.CR cs.LG
Empathic Grounding: Explorations using Multimodal Interaction and Large Language Models with Conversational Agents
Northeastern University（东北大学）
本文提出共情式接地概念，并构建融合语音和面部表情的多模态大语言模型，使对话智能体在交流中同时传达命题与情感理解，实验证明其能显著提升用户对共情、理解、情商和信任的感知。
2024-07-01 cs.CL cs.HC cs.RO
