本文介绍了一种基于情感的信息传递方式，利用极性情感聚类和情感模仿策略，使用混合情感的随机性，提高文本情感生成的情感准确性和情境相关性。

Oct, 2020

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

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

该研究提出了一种新方法，整合情感原因、知识图谱和沟通机制，用于同情性回应生成，并在基准数据集上通过实验结果说明了该方法的有效性，并表明整合这些关键组件能够产生更具信息量和同情心的回应。

Dec, 2022

本文提出一种利用八种共情响应意图的分类法来控制和解释聊天机器人的共情响应能力的方案：该方案包括两个模块，一个是响应情感/意图预测模块，另一个是响应生成模块。研究结果表明，该方案可以生成比端到端模型更多样化且更具共情的响应。

May, 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

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

提出了一个多维度的共情评估框架，该框架可以测量发言者表达意图以及听众感知到的共情，这两个维度之间存在相互关联，而感知到的共情与对话会话的满意程度有很高的相关性。为了自动测量对话中的共情，进行了不同的建模选项，包括使用预置的大型语言模型和基于序列到序列语言模型的分类器。经过广泛实验，表明使用序列到序列语言模型进行指导微调的分类器相对于之前的研究和竞争基准具有最好的性能。最后，对所提出的分类器的性能进行了全面的消融研究，并提出了将其作为自动对话共情评估指标的建议。

Feb, 2024

研究论文通过对ChatGPT及其最新版本GPT-4与人类生成的情感场景回应能力进行比较，探究了ChatGPT在回应不同情绪场景（正面和负面）时的共情水平。研究采用一项涉及600名参与者的组间研究来评估ChatGPT和人类生成的回应的共情程度。研究发现，ChatGPT所生成的回应的平均共情评分比人类生成的回应高出约10％。此外，明确要求ChatGPT在回应中融入对共情认知、情感和同情的明确理解，使其回应与具有较高共情度的个体的期望更为接近，相比之下，人类回应的一致性要小5倍。该研究提出的评估框架可用于评估较大的语言模型的共情能力，并且具有可扩展性和适应性，避免了未来研究中重复当前研究结果的需要。

Feb, 2024

Combining Trait and State emotions for Empathetic Response Model (CTSM) enhances emotional perception and empathetic expression in dialogue systems, outperforming state-of-the-art baselines.

Mar, 2024