本文提出了基于异构图模型的情感对话生成方法，利用对话历史记录、情感流、面部表情、音频和说话人个性等多维信息来编码对话内容并生成适当情感的响应，实验结果表明，该方法可以有效地感知多源知识并生成令人满意的响应。

Dec, 2020

通过情绪支持对话来减少寻求者的情绪困扰，本研究提出了一种新的框架 CauESC，该框架通过识别困扰的情绪原因和由原因引发的情绪效果，独立并巧妙地整合每个言语修饰的策略，从而解决了现有方法中忽略情绪原因和仅关注寻求者自身心理状态问题的限制。基准数据集上的实验结果证明了我们方法的有效性，并展示了从原因到效果的情绪理解和独立整合策略建模的优势。

Jan, 2024

通过知识增强的记忆模型来解决情感支持对话中的情感变化、响应可行性和策略建模等挑战，并在广泛使用的大规模数据集上进行了实验证明模型的优越性。

Oct, 2023

本研究旨在探讨如何在对话系统中建立情感支持，并构建了基于 “Helping Skills Theory” 的 “Emotional Support Conversation（ESC）” 任务和 ESC 框架。同时设计了一个注释丰富的情感支持对话数据集（ESConv），并对该数据集进行了质量控制及训练，最后通过与最新的对话模型进行评估，证明了支持策略对于提供有效情感支持的重要性以及 ESConv 在训练更多情感支持系统方面的实用性。

Jun, 2021

我们提出了 HAESum，一种利用图神经网络在基于分层话语结构的文档中进行局部和全局建模的新方法。通过使用局部异构图来学习句内关系，然后引入一种新颖的超图自注意层以进一步增强句间高阶关系的表征，在两个基准数据集上验证了我们的方法，实验结果表明考虑分层结构在建模长篇科技文档中的重要性以及 HAESum 的有效性。

May, 2024

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

本文提出了一种利用大规模预训练语言模型进行数据增强的方法，构建了一个比原始数据集更大且主题更广泛的机器增强数据集，有助于提高情感支持对话模型应对各种话题和提供更为有效的情感支持。

Feb, 2022

本研究提出了一种新的基于层次图神经网络的社会化推荐框架（SR-HGNN），以解决现有社交推荐模型难以完全探索多类型用户 - 物品交互行为及跨关系相互依存关系这两个问题的挑战，并通过三个公共基准测试表明 SR-HGNN 明显优于现有技术的推荐方法。

Oct, 2021

本文提出了一种新颖的全局 - 局部注意力网络（GLAN）来进行谣言检测，该网络联合编码了本地语义和全局结构信息，并基于异构图模型来捕捉消息传播图中的丰富结构信息，实验证明在谣言检测和早期检测场景中，GLAN 明显优于现有的最先进模型。

Sep, 2019

本研究使用深度神经网络方法进行情感和对话背后原因的多任务学习，并利用词语和句子级嵌入来克服以往方法的限制。提出的情感 - 因果识别对话模型独特地结合了双向长短期记忆和图神经网络模型，有效地构建抽象概念并最小化信息损失。实验结果表明，该模型在情感和因果多任务学习上表现更好，并且结合节点和边特征的图结构进一步提升性能。

Mar, 2024