本文提出了一种新的框架，其核心是关系时间图推理，通过利用其内在关联，同时解决两个相互关联的对话语言理解任务。通过集成预测级交互，我们还提出了不同于以往的显式依赖关系建模方法。通过对实验的验证，我们的模型在不同场景下都优于现有模型，尤其在灵长目数据集上的对话情感分类任务中，F1 分别比前一最佳模型提高了 28％和 34％。

Jun, 2023

提出了一种基于 Deep Co-Interactive Relation Network 的方法来同时识别对话行为和情感倾向，通过引入交互关系层来建模两个任务之间的相互影响，并验证了该方法在两个公共数据集上的优越性能。

Aug, 2020

我们提出了一个双向多跳推理模型（BMIM），利用特征选择网络和双向多跳推理网络以双向方式迭代提取和整合丰富的情感和行为线索，明确建模情感和行为标签的相关性，从而在 Dialog Sentiment Classification（DSC）和 Act Recognition（DAR）任务中改善性能并增强联合情感和行为预测任务的可解释性。

Aug, 2023

本研究提出了一种使用丰富的条件随机场 (CRF) 结构依赖性、采用分层语义推理和记忆机制的话语行为识别方法，并使用扩展的结构化注意力网络考虑上下文的话语和相应的对话行为，实验结果显示该方法表现优于其他最先进的解决方案。

Nov, 2017

本文提出一种基于双重 RNN 和多头注意力网络（MAT）的直观双流递归关注网络（DualRAN），该模型旨在解决情感对话（ERC）任务中建模上下文的难题，能够更有效地捕获全局和局部背景信息。实验结果表明 DualRAN 模型优于所有基线，并且每个组件的有效性得到了深入的证明。

Jul, 2023

本文提出了一种新的解决方案 - 对话式解决代理（DERA），用于提高较大语言模型（LLMs）在医疗保健等安全关键领域输出的准确性和完整性，通过与 GPT-4 的交互来迭代地提高输出，并在医疗交流摘要、护理计划生成和 MedQA 等临床焦点任务中表现出显著的性能改进。

Mar, 2023

提出了一种新颖的基于对话和事件关系感知的图卷积神经网络用于多模态情感识别，该方法通过建立加权多关系图来捕捉说话者之间的对话关系和事件关系，设计了多重信息变换器以捕捉不同关系之间的相关性，通过对比学习的损失优化策略增强了少数类特征的表示学习能力。实验证明，DER-GCN 模型在情感识别方面显著提高了平均准确率和 F1 值。

Dec, 2023

提出基于情绪认知理论的多轮递推式推理模块和上下文推理网络的设计，用于提取和整合情感线索以充分理解对话上下文，并在三个公共基准数据集上进行广泛实验，证明了模型的有效性和卓越性。

Jun, 2021

回答知识图谱上的问题（KGQA）是不同实际应用中实现良好性能的语言智能代理的关键。为了提高由大型语言模型（LLMs）驱动的语言智能代理在 KGQA 中的神经符号推理能力，我们提出了 DecompositionAlignment-Reasoning Agent（DARA）框架。DARA 通过高级迭代任务分解和低级任务基础形式将问题有效地解析为正式查询。重要的是，DARA 可以通过少量高质量的推理轨迹进行高效训练。我们的实验结果表明，DARA 在 LLMs 上进行微调（例如 Llama-2-7B，Mistral）在零 - shot 评估的不同基准中优于基于上下文学习的代理（如 GPT-4）和其他微调代理，从而使这样的模型在实际应用中更易访问。我们还显示出，DARA 在 KGQA 方面达到了与最先进的枚举和排名方法相当的性能。

Jun, 2024

本文介绍了一种新的视觉对话模型，称为 Recurrent Dual Attention Network（ReDAN），该模型使用多步推理来回答有关图像的一系列问题，通过迭代细化来定位上下文相关的视觉和文本线索，以逐步找到正确的答案。

Feb, 2019