本文提出了一种多因素分层框架CoMAE，用于模拟情感应答生成功能，实验表明，我们的模型比之前的方法表现更好，分层建模不同因素的重要性也得到了验证。

May, 2021

本文针对共情对话系统中，理解说话者的情感，并能产生合适的回复的技能进行了研究。我们提出了一种简单的技术，称为“情感解码”，用于产生共情回应，该方法可以在每个解码步骤中有效地融合情感信号，并可以辅以辅助双重情感编码器进行增强。广泛的实证研究表明，相对于几种强大的主流方法，人类评估认为我们的模型更具共情能力。

Aug, 2021

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

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

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

提出了一种新的名为CARE的框架，它通过使用 Conditional Variational Graph Auto-Encoder (CVGAE) 来推理所有可能的因果关系，并采用多源注意力机制来将这些因果关系注入到共情型对话响应生成中，实验结果表明该方法取得了最先进的性能。

Nov, 2022

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

实现共情是朝向人性化对话系统的关键步骤。本文提出了一种新的情感相关增强的共情对话生成框架，完整地实现了情感相关的学习、利用和监督。实验结果表明我们的模型在共情感知和表达方面具有优势。

Nov, 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

Combining Trait and State emotions for Empathetic Response Model (CTSM) enhances emotional perception and empathetic expression in dialogue systems, outperforming state-of-the-art baselines.

Mar, 2024