通过研究连续情感评价模型，我们收集、分析了儿童故事中的情感内容，提出了一种弱监督学习的方法来预测故事情感变化的连续值，通过 DeBERTa 模型改进，达到了较高的相关性和有效性。

Jun, 2024

本研究提出了一种新型深度学习框架，用于生成细粒度情感的嵌入式表示，可用于计算描述情感心理模型。通过与多头探测模型集成的上下文嵌入编码器，可以动态地学习情感表示并优化情感分类任务，评估结果表明可以达到最先进的 32 种情感分类。最后结合情感图生成情感轮并增强丢失的情感状态模型价值。

Apr, 2021

研究了自然语言文本的故事结构，提出了一个新的数据集 DesireDB，用于识别和跟踪人物的目标和愿望，并展示了基于 LSTM Skip-Thought 模型的追踪愿望实现的实验结果。

Aug, 2017

本文提出了一种基于多字符心理线的故事生成模型 SoCP，通过注意力机制实现不同角色心理状态的转变控制， 并引入一种新的心理状态控制度量来评估模型效果。实验结果表明该模型能够自动生成包括多个角色、丰富的情感变化的故事。

Oct, 2020

本文通过时间序列建模和高质量数据集的采集来建立动态情感刺激的模型，在此基础上介绍第一版本的斯坦福情感叙述数据集（SENDv1）。该数据集是自我节奏、非手稿的丰富、多模态视频，标注情感质量随时间的变化，为情感计算的当代时间序列方法提供了挑战，并通过多种基准和最先进的建模方法展示了良好的表现。

Nov, 2019

使用大数据分析的方法，利用计算能力，自然语言处理和数字化文本处理，对文化演变进行研究，对一部分 Project Gutenberg 文本集中的 1327 个故事进行情感弧分类，发现六种情感弧，是构成复杂情感轨迹的基本构建模块之一，并可以通过矩阵分解、监督学习和无监督学习进行加强，发现有些情感弧在今天的出版物中更受欢迎，由下载数量衡量。

Jun, 2016

本文利用循环神经网络模拟书籍中情感的变化，并量化其预测书籍成功的有效性。在同时预测书籍成功和类型的多任务设置中，取得了 69% 的最佳加权 F1 得分。

May, 2018

本论文提出了一种结合强化学习和情感编辑约束的会话内容生成模型，将回复分成三个从预生成的关键词中获得的子句，并使用情感编辑器进一步优化最终回复，实验表明该模型可以提高回复的流畅度、逻辑相关性和情感相关性。

Apr, 2019

本文是对强化学习智能体情感计算模型的首次综述。 主要聚焦于智能体 / 机器人的情感，而大多数忽略了人类用户的情感。 情感在决策制定中起着重要作用，通过影响动机和行动选择来识别其功能。 因此，计算情感模型通常根据代理决策制定体系构建，其中强化学习是重要的子类。 研究基于 RL 的代理​​情感对三个研究领域有用。 面向计算机学习研究人员，情感模型可以提高学习效率。 面向交互式 ML 和人机交互（HRI）社区，情感可以传达状态并增强用户投入。 最后，它使情感建模（AM）研究人员能够在成功的 AI 代理类中探索其情感理论。 该调查提供了情感理论和 RL 的背景。 它系统地解决了以下问题：1）可以从哪些基础维度（例如，稳态，评估）推导出情感，以及如何在 RL 智能体中建模这些维度； 2）从这些维度推导出什么类型的情感； 3）这些情感如何影响代理​​的学习效率或在社交信号方面有用。 我们还系统地比较了评估标准，并将其与重要的 RL 子域（例如，固有的动机和基于模型的 RL）联系起来。 简而言之，此调查为希望在其 RL 代理中实现情感的工程师提供了实用的概述，并确定了未来情感 - RL 研究的挑战和方向。

May, 2017

本研究使用新的情感叙事法和机器学习方法，基于 Component Process Model 的理论框架，研究了由行为、感觉、思考和场域组成的情感构成，证明了每个情感组成都对情感分类有积极影响，同时考虑所有情感组成的综合表现是最佳的，利用预训练语言模型来预测离散情感是有效的，揭示了情感组成表达方式的不同之处。

May, 2023