在今天的世界中，通过对话系统提供情感支持变得越来越重要，因为它可以在许多对话场景中支持心理健康和社交互动。以往的研究表明，使用角色扮演对生成共情和支持性回应是有效的。然而，大多数都依赖于事先提供的角色扮演，而不是在对话过程中推断出来。为了应对这一挑战，我们提出了一种新颖的框架 PESS（通过语义相似性进行人物角色提取）能够从对话中自动推断出丰富且一致的人物角色。我们设计了基于语义相似度得分的完整性损失和一致性损失。完整性损失鼓励模型生成缺失的人物角色信息，一致性损失指导模型区分一致和不一致的人物角色。我们的实验结果证明，PESS 推断出的高质量人物角色信息能够有效地生成情感支持性的回应。

Mar, 2024

本文提出了一个新任务，即基于角色的移情对话，并首次对角色对移情反应的影响进行了实证研究。作者提供了一份新的大规模多领域数据集，使用高效的 CoBERT 模型进行回答选择，实验证明，当 CoBERT 模型基于移情对话训练时，角色更有助于提高移情反应，从而为人类对话中的角色和移情之间建立了经验证据。

Apr, 2020

该论文提出了一种新的检索到预测范例来解决个性化聊天机器人中 OOP 问题，并通过采用实际人物进行后验转换来进一步缓解训练和推理之间的差距。并通过 IT-ConvAI2 和 ConvAI2 的广泛实验表明，我们提出的模型在自动指标和人类评估方面都取得了可观的改进。

Aug, 2022

本论文提出了一种有效的对话代理，同时考虑外部知识和个性，通过检索增强生成和知识个性增强查询来生成话语，实现了更少幻觉和更有吸引力的对话，在自动指标上的基于个性和知识的对话任务达到了最先进的性能，同时，通过人类评估和定性结果证明了模型对话的幻觉和吸引力，验证了检索的有效性。

Jan, 2023

利用大型语言模型的能力，本研究结合人工智能和人类洞察力创建了一个详尽的情感支持对话数据集，通过递归生成方法，优化了情感支持机器人，为情感支持领域的进一步研究和实施铺平了道路。

Aug, 2023

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

研究旨在探索如何在会话系统中加入角色信息以提高响应生成的质量，并发现当前存在不足和挑战和未来的研究方向。

Dec, 2022

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

本文介绍了基于人物角色的模型来处理神经响应生成中的发言人的一致性问题。这些模型在分布式嵌入中编码人物角色，以捕捉个体特征，如背景信息和口语风格。在两个交流者之间捕捉交互属性的暂态发言人 - 被称呼者模型。我们的模型提高了感性和 BLEU 得分，在发言人的一致性上也有类似的提高。

Mar, 2016

本文提出了基于 P^2 框架的机器人 P^2 Bot，该框架旨在显式地建立对话者间的理解模型。实验结果表明该框架在大型公共数据集 Persona-Chat 上取得了显著效果提升。

Apr, 2020