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

本文提出了一种端到端情感丰富的神经对话模型，采用 VAD 注意机制将情感嵌入到每个单词中，并通过采用情感注意机制考虑了否定语和强化语的影响。最后，采用具有情感的目标函数训练模型，以产生具有情感丰富性的输出响应，得到人类的联合评估与基于困惑度的评估都优于同等规模的基线模型。

Nov, 2018

该研究提出了一种基于情感感知的 Transformer 编码器，用于生成类人的同情回应，将语义和情感方面集成到输入话语中。在 Facebook AI 共情对话数据集的实验中，该模型相比现有方法生成的回应具有更高的 BLEU-4 得分，这表明情感智能的虚拟代理现在已成为现实，并且未来在所有人机接口中都将包括情感作为一种模态。

Apr, 2022

AffectEcho 是一种情感转换模型，通过使用 Vector Quantized codebook 在量化空间中建模具有五个不同强度级别的情感，从而捕捉相同情感的复杂细微差别，实验结果证明了该方法在生成语音时控制情感的有效性以及保留每个说话者独特身份、风格和情感韵律方面的优势。

Aug, 2023

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

研究调查了 745 名受访者，旨在了解不同应用中关于情感技能的期望和偏好。结果表明，在设计情感智能对话代理时，应根据应用的上下文和性质考虑适应性和情境感知。

Oct, 2023

研究发现，人机面对面互动过程中的社交信号、语言特征、情感表达等特征与用户对机器人的印象有关；其中，用户面部表情的快乐程度与机器人的好感度强相关，而对话特征与机器人的智能感知有关。这些特征有望成为在线补偿信号，用于基于增强学习的自适应人机对话系统中。

Jun, 2017

采用深度学习生成模型来生成机器人情感表情，通过几个手动设计的机器人身体表达生成一个新的符合上下文感知的表达。评估结果表明，生成的表情与手动设计的表情没有显著差异，且能达到不同目标情绪的效果。

May, 2022

情感计算是一门研究领域，专注于开发能够理解、解释和响应人类情感的系统和技术。本研究主要针对公开可用的情感标签数据集稀缺和不平衡的问题，通过合并这些数据集以及采用各种语音数据增强技术构建了一个均衡的语料库，并在语音情感识别方面尝试了不同的架构。最佳系统是一个多模态的语音和基于文本的模型，相对于基准算法的性能为 157.57（不加权准确度 + 加权准确度），而基准算法的性能为 119.66。

Dec, 2023

本研究旨在为对话系统引入人格特质，通过模拟人类在对话中的情感转换来自动选择回应中的情感，使用 VAD 情感空间和神经网络模型来呈现情感二元组之间的转换，并验证了此方法的有效性。

Jun, 2021