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

本研究提出了一种名为 Sentiment Look-ahead 的情感预测模型，结合基于强化学习的奖励函数，以提高生成模型对用户情感的理解和回应质量。实验结果表明，该模型相较于其他竞争模型，能够显著提高输出语句的情感态度、相关性和流畅性。

Jun, 2019

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

本文提出了一种双重生成模型（Dual-Emp），通过集成前向对话模型、后向对话模型和表示情感共识的离散潜变量来实现情感共识的构建，同时利用来自开放域对话的非成对情感数据，产生了比人类注释更高效且成本更低的伪成对共情样本，进而在自动和人工评估中表现出优异的编织性和共情响应。

Sep, 2021

为解决对话中情感的动态性和共情生成中的常识知识冲突问题，我们提出了一种串行编码和情感-知识相互作用（SEEK）方法，使用细粒度编码策略和知情与情感的相互作用建模，从而在共情对话生成方面表现出色。

Oct, 2022

该研究提出了 CAB 框架，该框架从认知、情感和行为三个角度出发，生成具有同情心的响应，并在自动和手动评估中均打败了现有的最先进模型。

Feb, 2023

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

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

我们提出了一个动态的情感-语义相关模型（ESCM）来帮助生成共情性对话，它通过上下文和情感的交互构建了动态的情感-语义向量并引入了依赖树来反映情感和语义之间的相关性，通过动态的相关图卷积网络引导模型学习对话中的上下文含义并生成具有流畅且丰富信息的共情性回应。实验结果表明，ESCM能更准确地理解语义和情感，并表达出具有流畅且信息丰富的共情性回应，分析结果也显示出对话中情感和语义之间的相关性的频繁使用对共情感知和表达具有重要意义。

Feb, 2024

本研究解决了以往同理回应生成中忽视情感原因推理的问题，通过在大型语言模型上集成情感和原因的思维链提示，提出了一种因果感知的回应生成方法。实验结果表明，该方法在自动和人工评估中均实现了最先进的性能，显著提升了同理心的表现。

Aug, 2024