研究角色是计算上表示和解释叙述性文本的关键，本文通过提出一个半监督框架来从全面和部分标记的数据中学习动态发展的角色关系，使用 Markovian 模型来积累历史信仰，结合语言和语义功能特征来研究叙述的文本内容，实验证明此框架优于基准模型。

Nov, 2015

本文提出了神经网络来学习和联合预测人物之间的互动关系及其涉及的角色，利用视觉和对话提示，通过多模态架构从中提取有意义的信息，并在 MovieGraphs 数据集上进行评估。

Mar, 2020

本文介绍了一个新的任务 - 将小说角色之间的情感关系分类，并针对该任务提出了两个子任务：角色识别和情感关系分类。通过多种不同的神经网络方法建立了情感关系分类模型，最终达到了 0.45 F1 指标。

Mar, 2019

该论文介绍了一项关于人际关系建模的任务，提出了一种基于关系选择器和故事继续器两个主要组成部分的故事生成算法 ReLiSt，在自动和人工评估中展示出了其生成的故事能够更加忠实于期望的关系而不影响内容质量，推断过程中的关系分配带来了 ReLiSt 的可解释性。

Nov, 2022

通过 Amazon Mechanical Turk，我们提供了一个手动注释的关系数据集，用于支持文学作品中关系类型预测的自动方法的训练和评估，以及更广泛的文学角色计算分析。我们在 109 个文本上征求来自工人的注释，涵盖从荷马的《伊利亚特》到乔伊斯的《尤利西斯》的范围，收集这些文本中字符之间关系的粗类别、细类别和亲密度，以及这些关系是否会在文本的过程中发生更改。

Dec, 2015

研究表明，社交关系信息可以用于提高用户级情感分析，实验结果表明，将社交网络信息纳入支持向量机等分类器的训练可以明显提高情感分析的效果。

Sep, 2011

本研究旨在研究是否可以从生活场景中的人脸图像中对人际关系进行细分和高水平特征的表征和量化，并提出了一种采用深度网络架构来识别面部表情的方法，以预测人际关系，并展示出了良好的实验结果。

Sep, 2016

本篇研究提出一种基于共情共鸣的个人故事相似度计算方法，通过对个人故事中的主要事件、情感轨迹和总体价值等三个特征进行操作来得出共情相似度得分，并使用 1500 个故事和 2000 对故事进行了数据集制作与模型的训练，最终证实了基于共情的相似度计算模型不仅在数据检索表现方面媲美基于词汇语义的模型，还能有效地促进人与人之间的情感共鸣与联系。

May, 2023

该论文探讨了如何使用神经网络模型从新闻文章中推断国与国之间的关系，结合浅层语言学信息提出了新的自动评估指标，并进行了人工评估，结果显示该模型能够更好地分析和理解复杂的国际关系，同时还揭示了新闻报道在不同地区的侧重点和偏见。

Apr, 2019

我们提出了一种模型，通过整合包括签名社交网络和情感分析在内的多种信息，来预测个体 A 对个体 B 的观点。我们证明了这是一个 NP-hard 问题，但可以通过一个高效可行的 hinge-loss Markov 随机场来实现，我们还展示了这个实现在两个不同的数据集上胜过仅使用文本或网络。

Sep, 2014