通过情绪支持对话来减少寻求者的情绪困扰，本研究提出了一种新的框架 CauESC，该框架通过识别困扰的情绪原因和由原因引发的情绪效果，独立并巧妙地整合每个言语修饰的策略，从而解决了现有方法中忽略情绪原因和仅关注寻求者自身心理状态问题的限制。基准数据集上的实验结果证明了我们方法的有效性，并展示了从原因到效果的情绪理解和独立整合策略建模的优势。

Jan, 2024

该研究探讨了情感原因在对话中的识别问题，定义了这个问题的两个子任务并提供了相应的基于 Transformer 的数据集和基线技术。

Dec, 2020

该论文研究了在对话中提取情感原因的重要性，提出了一种基于话语结构的模型，利用多任务学习框架和门控图神经网络来建模和分析对话，加强了情感和原因表达之间的联系，并验证了模型的有效性。

Oct, 2022

通过逐步推理方法 (ECR-Chain) 以及促进模型优化的 few-shot prompting，本研究在生成式语言模型中引入情感生成过程的因果关系，并且能够在可解释的方式下成功进行情感因果推理。

May, 2024

本文提出一种通过将情感信息与社会常识知识引入图中，构建知识增强会话图（KEC）来增强会话因果推断的方法。实验证明，该方法可以更好地从目标言语中推断出不同情感的原因。

May, 2022

该研究提出了一种基于神经网络的情感预测模型 MuTEC，旨在从对话中提取情感表达的原因，并针对此目标设计了情感原因跨度与因果语句判定的多任务学习框架，比现有基线模型表现更好

Nov, 2022

提出了一种基于共同演化推理的多任务学习框架（CGR-Net），以提取文档中的情绪原因对，并通过提供预测级交互来捕获不同任务之间的依赖关系，进而实现对因果关系的充分利用。

Jun, 2023

在日常对话中，人们通过表达情感来传递情感信息，因此情感理解成为情感智能的关键一步。为了理解对话中的情感，我们需要让机器能够识别话语中的情感（对话情感识别，ERD），然后根据情感找出导致该情感的话语（对话情感原因提取，ECED）。目前的研究忽略了情感和原因之间的相互补充关系，因此我们提出了一种新的任务，即 “对话情感推导解释”（EDEN）。EDEN 以明确的推理方式识别情感和原因，模型需要生成一个解释文本，对导致情感的原因进行总结，使用常识分析讲话者的内部活动，然后根据推导出的原因猜测情感。为了支持 EDEN 的研究，我们基于 ECED 中的现有资源，通过人力努力构建了两个 EDEN 数据集。我们在 EDEN 上评估了不同模型，并发现大型语言模型（LLMs）比传统的预训练语言模型（PLMs）更有竞争力。此外，EDEN 可以帮助 LLMs 更好地识别情感和原因，探索了对话中可解释的情感理解的新研究方向。

Jun, 2024

这篇论文概述了 SemEval-2024 任务 3 的目标，即从对话中提取所有情绪和其对应原因的对，并介绍了顶级团队的系统以及参与者的发现。

May, 2024

提出了一种新的名为 CARE 的框架，它通过使用 Conditional Variational Graph Auto-Encoder (CVGAE) 来推理所有可能的因果关系，并采用多源注意力机制来将这些因果关系注入到共情型对话响应生成中，实验结果表明该方法取得了最先进的性能。

Nov, 2022