通过研究连续情感评价模型，我们收集、分析了儿童故事中的情感内容，提出了一种弱监督学习的方法来预测故事情感变化的连续值，通过 DeBERTa 模型改进，达到了较高的相关性和有效性。

Jun, 2024

借助基于表情符号的标注语料以及引入强化条件变分编码器，论文提出了一种生成具有特定情感的高质量抽象会话回复的深度生成模型。

Nov, 2017

该论文介绍了一个由超过 4500 万条来自美国和加拿大的地理定位推特组成的 “TUSC” 的数据集，以及一个用于捕捉推特情感的度量标准 “TED”。研究使用 TED 和 TUSC 探索了 2019 年至 2021 年期间推特用户在情感表达方面的差异，以及 COVID-19 大流行对推特情感的影响。结果表明，加拿大推特比美国推特情感更积极，高峰期表现了更多的负面情绪。此外，本文在 170,000 个推特用户上进行度量，旨在为公共卫生、情感科学、社会科学和心理学等领域的研究提供有用的数据。

Apr, 2022

该研究使用情感数据增强方法，基于明确建模多轮对话中积极转移的情绪数据构建了语料库，并通过微调预训练的对话模型，开发了一种情感 - 情感开放域聊天机器人。该方法被证明在各种情感 - 情感指标上接近于人类表现，并与一些最先进的开放域聊天机器人进行了比较，证明了该方法的有效性。

Aug, 2022

我们提出了一种大规模真实生活数据集（CusEmo）的构建方法，该数据集用于评估客户服务呼叫中心对话中情感的连续识别。该研究还解决了将端到端（E2E）情感识别系统应用于数据集时遇到的挑战，包括确定适当的标签采样率和输入段长度，以及使用多任务学习将情境信息（对话者的性别和共情水平）与不同权重的整合。实验结果表明，加入共情水平信息可以提高模型的性能。

Oct, 2023

本文介绍了 K-EmoCon 数据集，该数据集支持从多个角度评估社交互动中的持续情感，并包括音频 / 视觉记录、EEG 和外围生理信号等多模态测量。

May, 2020

近年来，情绪原因分析引起了研究人员的关注。为了填补现有数据集在规模和情绪类别数量上的限制，并提供更具抽象性和可推广性的根本原因，我们引入了一个由 1500 万个清理后的推文构成的大规模情绪原因数据集。我们描述了我们的筛选过程，其中包括全面的数据收集、清理、标记和验证流程，以确保数据集的可靠性和丰富性。我们提取情绪标签，并提供导致情绪的事件的抽象化摘要。最终的数据集包括超过 70 万个推文和对应的情绪 - 原因对，涵盖了 48 个情绪类别，并由人工评估员进行了验证。我们数据集的新颖之处在于它涵盖了广泛的情绪类别，并提供了抽象的情绪原因，从而促进了情绪 - 原因知识图谱的细致推理。我们的数据集将使得能够考虑不同人对同一事件的多样化情绪反应的情绪感知系统的设计成为可能。

Jun, 2024

我们研究了情绪语料库中存在的主题偏差以及相关的建模方法，并发现通过对抗性修正可以缓解此问题。我们的研究指出现有情绪语料库存在问题，并且需要更具代表性的资源来进行情感概念从文本中预测的公平评估。

Dec, 2023

该研究介绍了 nEMO，一个包含波兰语情感语音的新型语料库，它由参演的九名演员录制的三个多小时的样本组成，描绘了六种情感状态：愤怒、恐惧、快乐、悲伤、惊讶和中性状态。

Apr, 2024

该论文介绍了首个推特情感预测的共享任务，该任务着重于从推特文本上下文中推断隐含情感，通过自动方法预测情感会比人工更加准确。

Sep, 2018