本文介绍了一种能够控制情感内容的情感驱动对话系统的方法，通过使用连续的情感表示来模拟词和句子级别的情感，并在推理过程中使用重新排名程序来获取最具情感相关性的响应。
Apr, 2019
我们提出了一种通过由情感丰富的文本衍生出的嵌入来作为提示信息的系统，通过在基于 Transformer 的架构内多次集成发言者和提示信息的联合表示。我们的方法在合并情感语音和文本数据集上进行训练，并在每次训练迭代中变化提示信息，以增加模型的泛化能力。客观和主观评估结果表明，该条件合成系统能够准确地将提示中的情感转移到语音中。同时，保持了发言者身份的精确可追踪性以及整体的高话语质量和可理解性。
Jun, 2024
本文介绍一项研究，通过一个包含 85,007 张公开图片、526,749 个情感反应和自由文本解释的大规模数据集，探讨使用自然语言表达对给定视觉刺激的情感反应所引起的情绪反应。研究提出了三个问题来解决这个新任务，并介绍了一些方法和开源数据集。
Oct, 2022
本文介绍了一种使用情感驱动的文本生成模型，其能够有效地生成带有情感色彩的、主题集中的且语法正确的句子，并集成了 GPT-2 等概率文本生成模型。该模型考虑了情感类别、强度和主题的灵活性，并在自动化评估和人类研究中优于其他情感文本生成模型。
Nov, 2020
通过生成对抗网络（GANs）创建情感计算的刺激数据集，探索了一种替代传统数据集准备方法的方案，包括使用不同的 GAN 架构、数据增强和迁移学习技术，在情感计算的领域中显示出有希望的生成情感激发性的合成图像，为未来的研究和改进提供了重要的潜力。
本研究使用基因算法，结合人类反馈，学习组合最有用的提示关键字，以改善使用描述生成艺术图像的美感。
Sep, 2022
我们提出了首个自动提示优化方法，用于以情绪为条件的文本生成，使用一个迭代的优化过程通过添加、删除或替换标记来改变提示。通过将生成的文本中的情感条件的实现度量作为目标函数，我们将该方法应用于以情绪为条件的文本生成，并将其与手动设计的提示进行比较。优化的提示在实现情感条件方面达到了 0.75 的宏平均 F1，而手动设计的提示仅达到了 0.22 的宏平均 F1。
Aug, 2023
通过引入情感方面的三种新方法，可以改善神经会话模型的自然语言处理能力，实现更加丰富、有趣和自然的情感化响应。
Sep, 2017
本文提出了一种基于 LSTM 模型的扩展 Affect-LM，用于在生成对话文本时增加情感内容的控制因素，研究表明，通过 Affect-LM 生成的自然语言句子不会破坏语法正确性。Affect-LM 学习到了区分情感的单词表达方式，迷惑度实验表明在对话文本中增加情感信息可以提高语言模型的预测效果。
Apr, 2017
本文提出了一种情感反馈合成系统，通过使用基于变压器的文本编码器和基于 Faster RCNN 的视觉特征提取器，并将二者进行拼接，构建了多模式特征向量，以此合成带有文本和图像输入的反馈，其结果表明合成的反馈语义上与真实观众的评论相似，且与给定的文本图像输入相关。
Mar, 2022