本研究提出了一种基于遮蔽记忆网络和参与讲话者的转换器模型，用于在对话中的情感识别及情感变化推理，并介绍了可能触发情感变化的对话区域。该方法在第三子任务中相对任务基准模型提高了 5.9（F1 分数），故设计选择在该方法中具备重要意义。

Apr, 2024

SemEval-2024 任务 10 旨在识别情绪并找到其在单语英文和印地英语混合对话中翻转的原因。该任务包括三个子任务：混合语言对话中的情绪识别，混合语言对话中的情绪翻转推理以及英语对话中的情绪翻转推理。参与者的任务是自动执行一个或多个子任务。数据集包括手动标注的关注情绪和情绪转变触发器的对话。共有 84 个参与者参与了该任务，其中最优系统的 F1 得分分别为 0.70、0.79 和 0.76。本文总结了来自 24 个团队及其系统描述的结果和发现。

Feb, 2024

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

该研究报告介绍了 MasonTigers 团队参与 SemEval-2024 任务 10 的情感识别和理解逻辑翻转方面在单语英语和混合英语 - 印地语对话中的表现。通过开发准确的情感识别和推理方法，我们在每个子任务中获得了 0.78、0.79 的令人印象深刻的 F1 分数，并在第一和第三子任务中获得了第一名，第二子任务中获得了第二名。通过大量的实验和分析，我们提供了对我们系统在每个子任务中表现和贡献的深入见解。

Jun, 2024

情感表达是对话的基本特征之一，可以是自我相关的或由其他发言人引起的。本文采用最新的链式思维方法（THOR）进行大型语言模型指令调整，以回答情绪状态（THOR-state）和一个发言人引起的情绪（THOR-cause）。我们利用 THOR-cause 通过推理修订（rr）设计了一个推理路径，并依赖于注释的发言人情绪状态来修订推理路径。在竞赛训练数据上通过 Flan-T5-base（250M）和基于规则的跨度修正技术初步调整 THOR-state，以及通过 THOR-cause-rr 进行细调，我们最终的结果在 15 支参赛队伍中获得了第 3 名和第 4 名（F1 - 比例），以及第 5 名（F1 - 严格）。我们的 THOR 实现 fork 是公开可用的：this https URL。

Apr, 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

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

本文针对会话中情绪识别的复杂性，提出了一种利用双向门控循环神经网络捕捉上下文相关性和说话人之间相互作用的对话情感识别方法。实验结果表明该方法比现有的最先进方法更为有效。

Feb, 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

本文提出了一种用于对话情感识别的新方法 EmotionIC，该方法驱动依赖建模，通过特征提取和分类级别实现情感识别，实验结果表明该方法在四个基准数据集上明显优于现有模型，证明了模块可以有效地模拟情感惯性和传染性。

Mar, 2023