基于大型语言模型的共识知识框架 CKERC 是一种用于对话中情感识别的方法，通过生成基于历史话语的对话者共识来提供间接线索信息，并通过解决共识知识在情感识别任务中的有效性进行了实证分析。

Mar, 2024

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

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

基于向量连接的跨模态融合情感预测网络，包括多模态特征融合阶段和基于融合特征的情感分类阶段，同时设计了基于情感标签的监督式跨类对比学习模块，实验证实了该方法的有效性，并在 IEMOCAP 和 MELD 数据集上展现出优异的性能。

May, 2024

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

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

通过利用大型语言模型的能力，在对话和运用常识推理方面训练可调节的模型，我们提出了先知性常识推理这一创新范式，它能够弥补常识推理过程中的语境不匹配和无法预测未来对话主题的问题，显著提升对话代理的回应质量。

Nov, 2023

本篇论文探讨将理性和情感融合到人工智能对话代理中的可行性，并提出了 CARE 模型，一种基于常识感知的情感响应生成模型，实验证明该模型比仅关注单一方面的现有模型在生成情感响应方面更加准确。

Dec, 2020

本研究提出了一种以情绪识别为中心的混合课程学习框架，其中包括对话级别和话语级别课程。使用情感转移频率对对话进行排序并逐步强化模型对混淆情感的识别能力，我们观察到该模型跨多个 ERC 数据集显著提高了性能，达到了新的最先进水平。

Dec, 2021

本文提出了一种新颖的共情回应生成方法，该方法将自适应模块应用于常识知识选择，以确保生成的共情回应与说话者的情境一致，并使用所选知识来完善常识认知和共情表达以生成更一致和共情的回应。实验结果表明，与基准模型相比，我们的方法在自动和人类评估方面都显着优于基线模型，生成更一致和共情的回应。此外，案例研究强调了响应中知识选择的可解释性以及自适应模块在我们的模型中的有效性。

May, 2023