本研究通过引进新的方法来获得他人情感的原因词，并在对话模型的生成过程中针对性地聚焦于关键词，从而有效提高生成具有针对性的共情性话语的水平。

Sep, 2021

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

本文提出了一种新的基于常识的共情反应生成方法，除了识别用户情感外，还考虑了对用户情况的认知理解，实验结果表明本方法在自动和人工评估中均优于基线模型，能够生成更具信息和共情性的响应。

Sep, 2021

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

我们提出了一种基于常识的因果解释方法，通过整合上下文学习和常识知识来增强 ChatGPT 系统在系统角度的推理能力，并将常识因果解释与 ChatGPT 和基于 T5 模型进行整合，实验评估表明我们的方法在自动评估和人工评估上优于其他可比方法。

Jul, 2023

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

通过发展具有同理心的聊天机器人，利用因果情绪信息，收集在线情境中产生情绪的原因来实现同情回应，即情感原因，我们利用咨询策略并在真实世界的在线数据集上验证了所提出的方法的有效性。

May, 2021

使用常识认知图和情感概念图构建一个两级策略 (CASE)，以对齐粗粒度 (上下文认知和情感状态之间) 和细粒度 (每个特定认知和相应情感反应之间) 的认知和情感，从而实现共情回应，实验证明 CASE 在自动和人工评估中优于现有基线。

Aug, 2022

通过自我 - 他人意识的明确维护、调节和注入，我们提出了具有显式自我 - 他人意识的同理回应生成，以实现类人聊天机器人中非常关键的同理回应问题，其优越性被基准数据集上的自动和人类评估所证明。

Oct, 2022