本文提出了一个基于个人化的情感支持框架，结合了情感对话模型和基于策略的可控生成方法，可根据寻求者的个人信息提供个性化的情感支持，该框架实验结果表明 PAL 模型胜过其他基准模型。

Dec, 2022

本文介绍一种基于 BERT 的个性化响应选择模型，融合对话者个性、情感和蕴含信息的交互关系，并在 Persona-Chat 数据集上进行表现测试，在 Top-1 准确率上跑出了 2.3% 以上的性能提升，取得了最新的最先进的性能。

Aug, 2022

在今天的世界中，通过对话系统提供情感支持变得越来越重要，因为它可以在许多对话场景中支持心理健康和社交互动。以往的研究表明，使用角色扮演对生成共情和支持性回应是有效的。然而，大多数都依赖于事先提供的角色扮演，而不是在对话过程中推断出来。为了应对这一挑战，我们提出了一种新颖的框架 PESS（通过语义相似性进行人物角色提取）能够从对话中自动推断出丰富且一致的人物角色。我们设计了基于语义相似度得分的完整性损失和一致性损失。完整性损失鼓励模型生成缺失的人物角色信息，一致性损失指导模型区分一致和不一致的人物角色。我们的实验结果证明，PESS 推断出的高质量人物角色信息能够有效地生成情感支持性的回应。

Mar, 2024

本文介绍了基于人物角色的模型来处理神经响应生成中的发言人的一致性问题。这些模型在分布式嵌入中编码人物角色，以捕捉个体特征，如背景信息和口语风格。在两个交流者之间捕捉交互属性的暂态发言人 - 被称呼者模型。我们的模型提高了感性和 BLEU 得分，在发言人的一致性上也有类似的提高。

Mar, 2016

本文提出了四种不同的合成策略，来探讨在基于检索的聊天机器人中，采用自我或合作者角色的角色来描述个性化对话者对响应选择的影响，并将这些策略实现到三个代表模型中，这些模型分别基于 HRE、IMN 和 BERT。实证研究表明，在 Persona-Chat 数据集上，忽略了以前在对话中的合作者角色，IMN 和 BERT 模型的响应选择准确性可能会有所提高。此外，我们基于 BERT 实现的模型在上下文响应感知个性化合成策略下，在原数据和经过修订的数据上的准确性分别比以前的方法提高 2.7% 和 4.6%，在 top-1 准确性（hits@1）方面实现了新的最先进性能。

May, 2021

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

本研究通过五个评估维度研究人们在对话系统中尝试引入共情时所存在的关键点和未来机会，发现用户建模和对用户情感的检测和鉴别是需要进一步研究的核心问题；同时，处理多模式输入，显示更细腻的共情行为，以及包括其他对话系统特征也是需要关注的问题。

May, 2022

本研究建立了感同身受情感对话数据集，收集了受访者的特征、新闻文章引发的自我报告的同理心反应、对谈伙伴的他人报告，以及对话中表达的自我披露、情感和同理心等信息，旨在探讨不同形式的同理心与其他情感现象及人口统计学因素之间的关系，提供了预测这些特征的基线模型。

May, 2022

本文介绍了一个包含 500 万个人物角色和 7 亿个依据人物角色的对话的新数据集，研究表明，使用此数据集训练对话系统，尤其是当基于文本人物角色时，可以提高其表现，并且在 Zhang 等人（2018）的数据上进行微调可以实现最新的成果。

Sep, 2018

该研究提出一种使用对话意图建模和情感分类的混合方法来提高对话生成系统的响应质量和可控性，并采用信息可视化方法分析人类开放域对话中的情感模式和情感分类。

Dec, 2020