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

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

本文提出了一种多任务框架，该框架联合识别对话的情感并根据所识别的情感生成响应，我们利用基于 BERT 的网络来创建一种共情系统，并使用混合目标函数来训练端到端网络，包括分类和生成损失函数，实验结果表明，我们的多任务框架优于现有的最先进模型。

May, 2022

大语言模型通过 EmotionPrompt 在情绪智能方面进行性能提升，取得了显著的成果，有助于人类与语言模型的跨学科知识交互。

Jul, 2023

提出了一种新的基于提示和语言模型调整的情感识别模型 CISPER，通过融入上下文信息、交往者情感以及常识知识等要素，可以更加准确地识别对话中的情感表达，明显超过当前最优解。

Jul, 2022

本文提出了一个将闲聊型情绪识别模型转变为面向任务型的框架，通过改进稀有情绪的增强方法、将对话状态作为辅助特征以及设计多任务学习目标和情绪 - 距离加权损失函数来显著提高模型性能，并在 EmoWOZ 数据集上进行了验证。该模型具有强大的零样本能力，可在更广泛的场景中应用。

Aug, 2023

该研究提出一种新的框架，通过口头提示和策略驱动的未来鉴别器来融合常识知识并控制对话生成，从而改善预训练语言模型的共情式对话生成性能。实验证明，社会常识知识的融合和生成控制的强制执行有助于提高性能。

Feb, 2023

本文研究了预训练语言模型 BERT 在情感识别中的能力。通过 BERT 的框架和两句话的结构，我们将其应用于连续对话情感预测任务中，并依赖于句子级上下文感知理解。实验表明，通过将连续对话映射到因果话语对中，该模型能更好地捕获回复话语的情感。该方法在 Friends 和 EmotionPush 的测试数据集中取得了 0.815 和 0.885 微型 F1 分数。

Aug, 2019

本研究介绍了一种新的 fine-grained 情感改写任务，该任务能够通过平滑变化情感维度，保留原始文本的含义，从而改变带有情感的文本的情感强度。研究者提出了一种情感和情感指导的改写框架，该框架依靠预先训练的语言模型进行文本生成。经过广泛的评估，研究者发现，包含细粒度情感标签的改写任务可以显著提高获得反映期望情感的高质量改写的可能性，同时在改写评估指标（如 BLEU，ROUGE 和 METEOR）方面获得了一致性更好的得分。

Jun, 2023

本文提出了一种名为 Topic-Driven Knowledge-Aware Transformer 的模型，包含一种话题增强语言模型、基于对话情境信息的常识语句和一种转换器，用于识别情感标签序列中的话题和情感状态。实验结果表明，该模型在对话情感检测方面表现优于现有的最先进方法。

Jun, 2021