本文提出了一个新框架——COSMIC，通过整合常识知识中有关精神状态、事件、因果关系的元素，进而学习对话中交互者之间的互动，解决了当前情感识别方法在上下文传播、情感变化检测和相关情感类之间区分上遇到的困难，并在四个基准对话数据集上实现了新的最优结果。

Oct, 2020

本篇论文探讨将理性和情感融合到人工智能对话代理中的可行性，并提出了 CARE 模型，一种基于常识感知的情感响应生成模型，实验证明该模型比仅关注单一方面的现有模型在生成情感响应方面更加准确。

Dec, 2020

本文探讨了基于情感理论的评估维度对于模拟人类情感分析的重要性，并对比了不同基于事件的语料库的手工和自动标注策略，在此基础上提出了RoBERTa模型进行情感分析的改进方法。

Feb, 2021

CAT是一种语境化的概念归纳和实例化的半监督学习框架，可大规模概念化常识知识库，并通过实验证明，其获得的抽象常识知识可以显著提高常识推理建模的准确性。

May, 2023

本文提出了一种新颖的共情回应生成方法，该方法将自适应模块应用于常识知识选择，以确保生成的共情回应与说话者的情境一致，并使用所选知识来完善常识认知和共情表达以生成更一致和共情的回应。实验结果表明，与基准模型相比，我们的方法在自动和人类评估方面都显着优于基线模型，生成更一致和共情的回应。此外，案例研究强调了响应中知识选择的可解释性以及自适应模块在我们的模型中的有效性。

May, 2023

通过加入评估变量作为条件，在生成框架中包含评价理论能够提高情感文本生成的准确性，并使用户可以实现更加精细的控制生成的文本。

Jul, 2023

我们提出了一种基于常识的因果解释方法，通过整合上下文学习和常识知识来增强ChatGPT系统在系统角度的推理能力，并将常识因果解释与ChatGPT和基于T5模型进行整合，实验评估表明我们的方法在自动评估和人工评估上优于其他可比方法。

Jul, 2023

通过综合运用常识信息与对话理解，我们提出了一种创新方法，能更深入地理解情感，从而通过有效地提取已知知识图表中的相关常识来与对话内容相结合，实现民族语言混合对话中情感识别的实质性性能改进。

Oct, 2023

在Emotions in Context（EMOTIC）数据集上，评估了最近的大规模视觉语言模型（CLIP，LLaVA）和大语言模型（GPT-3.5）中嵌入的情绪常识知识。使用一组872个与26个情绪类别相关的物理社交信号描述和224个情绪显著环境背景描述构建了与情绪感知相关的“叙述性字幕”，并评估了在图像-语言-情感任务中使用这些字幕的效果。零样本视觉语言模型的实验表明，结合“快速”和“慢速”推理是改进情绪识别系统的一种有前途的方法，但与在EMOTIC数据集上训练的以往研究相比，零样本情绪心理理论任务仍存在差距。

Oct, 2023

本研究提出了基于Gerrod Parrot博士情绪群体的TONE情绪本体论，通过半自动化词汇构建过程和自动化方法建立不同情绪之间的联系，开发出可应用于情绪分类的知识基础，并展示了本体论的质量和适用性。

Jan, 2024