本文研究了对话推荐系统中的最近工作，并介绍了一种将上下文化的输入与学习模型联系起来以支持意图识别的方法，使用 transformer 基础模型在数据集 MSDialogue 上进行了性能评估。

Dec, 2022

通过利用社交媒体平台（如 Twitter）上的数据，本研究提出了一种新颖的基于自然语言处理的框架，以便从用户的角度了解各种服务问题，并使用两种技术简化了用户反馈的获取和分析过程。该框架准确地对推文进行分类，并根据推文的情感强度和极性进行情感分析，展示了其在评估用户反馈方面的有效性。研究结果证实了该框架在通过廉价的社交媒体数据评估用户反馈、了解交通系统的问题并进行有针对性的改进方面的有效性。

Oct, 2023

研究表明，社交关系信息可以用于提高用户级情感分析，实验结果表明，将社交网络信息纳入支持向量机等分类器的训练可以明显提高情感分析的效果。

Sep, 2011

本文提出了一种以情感为中心的端到端会话代理，基于两种模型，回复情感预测模型和文本生成模型，并且利用情感分类模型来评估代理的表达情感。通过指导预定义一组句子的文本生成模型，有效提升了生成文本的质量和表达情感的准确度，通过人工及自动化评估显示了显著的改进。

Jul, 2022

运用域和任务自适应预训练模型 ALBERT 在顾客联系文本上，通过利用未标注数据、进行半监督学习，将多分类问题解决为多任务学习，从而提高了客服意图分类模型的性能。

Jun, 2021

本文通过优化 NLP 模型的情感分析能力，并利用 Amazon US Reviews 数据集，得出使用 fine-tuned RoBERTa 对情感评分进行增强的 CF 推荐算法表现最佳，相较于基准算法在 MAP、NDCG 和 K 精度上有 30.7% 的整体提升；但对于 prompt-based 学习范式，虽然纯情感分析掌握得更好，但在进一步提升 CF 推荐算法方面表现不佳。

Jul, 2022

本文提出使用自动提取的信息作为衡量已有机器人回答质量的替代方法，从而避免了对人工标注数据的依赖，实现对弱监督数据的训练，并添加了对口语和书面语的支持。

Mar, 2022

通过使用 PLS-SEM 方法，本研究提出了一个基于自然语言生成的对话系统的聊天体验预测模型，该模型研究了包括生成的提示，对话中的连贯性、情感和相似性以及用户感知的对话代理的友好度在内的各种因素，研究的结果表明，用户友好度和对话的连贯性、情感和相似性是用户聊天体验的积极预测因素，同时，研究发现用户可能更喜欢具有外向、开放性、责任心、宜人性和非神经质特征的对话代理。

Apr, 2023

通过调查一对一在线聊天中推断聊天依赖关系的任务，本文提出了一种新颖的基于概率的分类器，该分类器利用了对话，词汇和语义信息，并从一个中国电子商务网站的客户服务聊天记录中进行了实证评估，表现优于基准启发式方法。

Dec, 2016

本文综述了在自然语言处理（NLP）方面使用深度学习模型进行情感分析的最新研究，评估了使用词频 - 逆文档频率（TF-IDF）和词嵌入技术的不同模型和输入特征，并对实验结果进行了比较研究。

Jun, 2020