基于向量连接的跨模态融合情感预测网络，包括多模态特征融合阶段和基于融合特征的情感分类阶段，同时设计了基于情感标签的监督式跨类对比学习模块，实验证实了该方法的有效性，并在 IEMOCAP 和 MELD 数据集上展现出优异的性能。

May, 2024

通过对话生成器获取情感知识，辅助对情感对话的识别，实现情感识别的转移学习方法。

Oct, 2019

介绍情感识别和相关挑战和机遇。然后描述了主要的情感分类法和应对主观性注释的方法。接着详细阐述了深度学习方法以及处理任务性能指标和不平衡 ERC 数据的方法。最后，对关键 ERC 工作进行了描述和基准测试，并比较了它们在不同数据集上的方法和性能。强调利用技术解决不平衡数据、探索多种情感和在学习阶段融入注释主观性的好处。

Nov, 2022

本文针对会话中情绪识别的复杂性，提出了一种利用双向门控循环神经网络捕捉上下文相关性和说话人之间相互作用的对话情感识别方法。实验结果表明该方法比现有的最先进方法更为有效。

Feb, 2023

提出了一个分布式框架，将自动情感识别作为序列到序列问题来解决，通过引入贝叶斯训练损失来改善情感分布的不确定性估计，从而更好地处理情感标签的不确定性，实验结果表明，分布式框架在情感分类和不确定性估计方面优于单次话语和传统的基于人工设计特征的方法。

Nov, 2022

提出了一种名为 SpanEmo 的新模型，将多标签情感分类视为跨度预测，并引入专注于对输入句子中多重共存情感进行建模的损失函数，实验证明了我们方法在提高模型性能和学习情感类别与句中单词之间有意义的关联方面的优势。

Jan, 2021

本研究提出了一种以情绪识别为中心的混合课程学习框架，其中包括对话级别和话语级别课程。使用情感转移频率对对话进行排序并逐步强化模型对混淆情感的识别能力，我们观察到该模型跨多个 ERC 数据集显著提高了性能，达到了新的最先进水平。

Dec, 2021

通过深度学习模型，本研究提出了一种基于度量学习和 Siamese 网络架构的方法来进行情感识别对话任务，取得了 57.71 的宏 F1 得分，相较于相关研究有了显著的提升。

Apr, 2024

基于 RoBERTa 编码器的上下文依赖嵌入话语表示法为核心的情感识别方法通过在分类模型中附加简单的分类模块来实现有效性，证明了这种方法在比复杂分类模块更有效的情境无关话语表示方法上表现更好。

Apr, 2023

提出了一种低维度的监督聚类级对比学习（SCCL）方法，将高维度的语义空间转换为三维的情感表示空间（VAD），通过聚类对比学习来融合可量化的情绪原型，利用预先训练的知识适配器来丰富上下文和模拟对话，从而在不同的数据集上实现了新的最先进的情感识别结果。

Feb, 2023