本文提出一种情感原因转换图用于预测情感对话中的概念词，并设计了概念感知解码器以生成更具共情、连贯、信息丰富且特定的响应，并在基准数据集上取得了较好的结果。

Feb, 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

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

本文提出了一种新的基于常识的共情反应生成方法，除了识别用户情感外，还考虑了对用户情况的认知理解，实验结果表明本方法在自动和人工评估中均优于基线模型，能够生成更具信息和共情性的响应。

Sep, 2021

通过发展具有同理心的聊天机器人，利用因果情绪信息，收集在线情境中产生情绪的原因来实现同情回应，即情感原因，我们利用咨询策略并在真实世界的在线数据集上验证了所提出的方法的有效性。

May, 2021

该研究旨在解决现有研究仅关注用户情绪，而忽略情绪产生原因的问题，提出了一种基于图的多跳推理模型来建模共情对话的情感因果关系，并在 EMPATHETICDIALOGUES 上与几种竞争模型进行了比较实验，验证了该模型的有效性。

Oct, 2021

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

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

使用常识认知图和情感概念图构建一个两级策略 (CASE)，以对齐粗粒度 (上下文认知和情感状态之间) 和细粒度 (每个特定认知和相应情感反应之间) 的认知和情感，从而实现共情回应，实验证明 CASE 在自动和人工评估中优于现有基线。

Aug, 2022

该研究探讨了情感原因在对话中的识别问题，定义了这个问题的两个子任务并提供了相应的基于 Transformer 的数据集和基线技术。

Dec, 2020