介绍情感识别和相关挑战和机遇。然后描述了主要的情感分类法和应对主观性注释的方法。接着详细阐述了深度学习方法以及处理任务性能指标和不平衡 ERC 数据的方法。最后，对关键 ERC 工作进行了描述和基准测试，并比较了它们在不同数据集上的方法和性能。强调利用技术解决不平衡数据、探索多种情感和在学习阶段融入注释主观性的好处。

Nov, 2022

通过大型语言模型，我们提出了一种名为 InstructERC 的新方法，将情绪识别对话（ERC）任务从辨别性框架改为生成性框架，通过引入简单而有效的检索模板模块以及两个额外的情绪对齐任务，显式地整合多层次的对话监督信息和隐含的对话角色关系和未来情绪趋势，从而显著提高了性能，在三个常用的 ERC 数据集上达到了全面的 SOTA 水平。

Sep, 2023

提出了一个分布式框架，将自动情感识别作为序列到序列问题来解决，通过引入贝叶斯训练损失来改善情感分布的不确定性估计，从而更好地处理情感标签的不确定性，实验结果表明，分布式框架在情感分类和不确定性估计方面优于单次话语和传统的基于人工设计特征的方法。

Nov, 2022

本文研究基于 Probabilistic Soft Logic 框架的情感识别方法，利用神经嵌入和对话结构进行表达，相对于其他基于纯神经网络的方法实验结果平均提高了 20%。

Jul, 2022

ISDS-NLP 团队在 SemEval 2024 任务 10 中提出了 EDiReF 方法，采用了掩码语言模型和因果语言模型两种不同的方法，研究了多语种设置下对情感进行预测的效果，并发现掩码语言模型在句子级情感分类方面的性能优于 Mistral 模型。

May, 2024

本研究提出 Multilingual MELD（M-MELD）数据集和一种使用序列和对话语境的 DiscLSTM 方法，旨在进行跨语言的情感识别，其计算效率高且表现优于现有文献中大多数单模态文本方法。

Mar, 2022

本文提出了一种探索语音信息中内部和外部说话者依赖关系的新型说话者建模方案，并使用 Speaker-Guided 编码器 - 解码器框架来预测情感标签，证明了其在情感识别中的优越性和有效性。

Jun, 2022

通过对话生成器获取情感知识，辅助对情感对话的识别，实现情感识别的转移学习方法。

Oct, 2019

情感识别技术在人工智能领域中有着广泛的应用，并且在自然语言处理中被广泛研究。本文讨论了情感识别技术在对话中所面临的挑战和最近的研究进展，同时讨论了现有方法所存在的不足和失败原因。

May, 2019

本论文将 Fuzzy Fingerprints 与 RoBERTa 相结合，在 Emotion Recognition in Conversations（ERC）任务中获得了最先进的结果，并提供了更简单和可解释性更强的 Large Language Models-based 分类器。通过将发言及其以前的对话转化为上下文嵌入的发言表示，并将其提供给改进的 Fuzzy Fingerprint 分类模块，我们在广泛使用的 DailyDialog ERC 基准数据集上验证了我们的方法，获得了更轻的模型的最先进水平的结果。

Sep, 2023