提出了一种情感对话生成模型，采用情感感知对话管理，包括情感状态跟踪和移情对话策略选择两个部分，动态管理不同信息可帮助模型生成更具移情效果的回复。

May, 2022

实现共情是朝向人性化对话系统的关键步骤。本文提出了一种新的情感相关增强的共情对话生成框架，完整地实现了情感相关的学习、利用和监督。实验结果表明我们的模型在共情感知和表达方面具有优势。

Nov, 2023

在这篇论文中，我们提出了一个名为 DiffusEmp 的框架，它基于条件扩散语言模型，使用显式控制来引导共情表达，并引入了通信机制、意图和语义框架等多粒度信号来控制共情实现。我们设计了一种特定的掩码策略，以反映多粒度信号与响应令牌之间的关系，并将其整合到扩散模型中以影响生成过程。实验结果显示，我们的框架在可控性、信息性和多样性方面优于竞争基线，同时不失去与上下文相关性。

Jun, 2023

本文提出了一种双重生成模型（Dual-Emp），通过集成前向对话模型、后向对话模型和表示情感共识的离散潜变量来实现情感共识的构建，同时利用来自开放域对话的非成对情感数据，产生了比人类注释更高效且成本更低的伪成对共情样本，进而在自动和人工评估中表现出优异的编织性和共情响应。

Sep, 2021

我们提出了一种新方法，利用理论驱动的偏好数据集和优化算法来对齐 LLMs，以提高情感回应生成的质量和模型的泛化性能，并通过 EmpatheticDialogues 数据集以及 diff-EPITOME 和 BERTscore 指标来评估其效果。

Jun, 2024

大型语言模型在培养有同理心的对话、构建和谐社会关系以及发展有帮助的人工智能方面具有至关重要的作用。本研究通过实证调查了大型语言模型在生成有同理心的回应方面的性能，并提出了三种改进方法：语义上下文学习、两阶段交互生成和与知识库的结合。广泛的实验证明，我们的方法能够显著改善大型语言模型的性能，在自动评估和人工评估方面达到最先进的水平。此外，我们还探索了 GPT-4 模型模拟人工评估者的可能性。

Oct, 2023

本论文旨在为共情性回应生成设计一种能够通过内容和情感视角对话历史进行编码的框架，从而生成包含内容和情感信息的回应，实验结果表明，该框架在自动和人类评估指标上均取得了最优结果，同时比先前的方法生成了更多的共情回应。

Sep, 2022

本文提出了一个新的共情对话生成指标和一个基于具有情感情境的 25k 个会话的新数据集 EmpatheticDialogues，实验表明使用我们的数据集的对话模型被人类评估员认为比仅在大规模互联网对话数据上训练的模型更具有移情能力，同时还通过实验比较了对情感回应进行的对话模型调整，利用现有模型或数据集而无需重新训练完整模型

Nov, 2018

本研究提出了一个用于智能咨询的医疗对话系统，该系统能够与患者进行实时交流，从而提高临床诊断的效率，并实现了中文医疗对话生成的竞赛，提出了一种由实体预测和实体感知式对话生成组成的流水线系统，并使用融合机制将预测的实体添加到对话模型中，在解码阶段，我们提出了一种新的解码机制 Entity-revised Diverse Beam Search（EDBS），以提高实体的正确性以及生成的最终响应长度和质量。提出的方法赢得了 CCKS 和 MLPCP 举办的两项国际医疗比赛，充分证明了我们方法的实用性和有效性。

Aug, 2021

情感回应生成是理解对话表述中的认知和情感状态并生成适当回应。本文提出了一种迭代联想记忆模型 (IAMM)，通过使用新颖的二阶交互注意机制，迭代捕捉对话表述和情境、对话历史以及记忆模块 (用于存储关联词) 之间的重要关联词，从而准确而细致地理解表述。实验验证了该模型的有效性，并且语言模型的变化实验也表明关注关联词可以提高情感的理解和表达。

Feb, 2024