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

SimpleTOD 采用单个因果语言模型解决任务导向的对话，具有先进的性能，并且可以完全利用预训练、开放领域的因果语言模型进行转移学习。它提高了对话状态跟踪的联合目标准确性，改善了在端到端设置中评估行动决策和响应生成的主要指标。

May, 2020

本文提供了一个有效的 Transfer Learning 框架（EMToD），使得最新的对话模型发展能够适用于长格式对话，通过实验证明该框架相较于预训练的语言模型性能提升 45%、预训练的任务导向对话模型性能提升 30% 用于任务导向的电子邮件对话

Aug, 2022

ProToD 是一种预测未来对话动作并结合目标导向奖励信号来增强对话系统的方法，通过基于目标导向的对话模拟评估方法，可以在仅使用 10% 的数据的情况下实现比以前的全监督模型更好的性能，同时提高用户满意度和效率。

Sep, 2023

通过对现有方法和最新趋势的综述，本文提供了一个全面的调查，为推进 EToD 研究的发展提供了统一的视角，并构建了丰富的资源库，希望成为 EToD 研究社区的全面参考。

Nov, 2023

该研究提出了一种基于 Task-Optimized Adapters 和强化学习的 End-to-end TOD 系统，能够独立学习每个任务，并在 MultiWOZ 基准测试上表现出优越的性能，特别是在 2.2 数据集上的 DST 任务达到了最先进的水平。

May, 2023

通过使用简单的缓存，该研究为任务导向对话系统带来了更大的灵活性。实验表明，该框架具有卓越的性能，与强基线相比，非空联合目标准确率提高了 6.7%。

Aug, 2023

近期人机交互领域的研究表明，考虑到人口统计信息、用户情感以及从话语中的隐含反馈中学习是任务导向和以文档为基础的对话系统获得用户接受和喜欢的关键。然而，这些发现尚未在自然语言处理领域得到应用，缺乏相应的数据集。为了填补这一空白，我们引入了 FEDI，这是第一个包含任务导向的以文档为基础的对话的英语数据集，其中注释了人口统计信息、用户情感和隐含反馈。我们使用 FLAN-T5、GPT-2 和 LLaMA-2 进行实验，结果表明这些数据有潜力改善任务完成情况、生成回答的事实一致性以及用户接受程度。

Jan, 2024

该研究提出了通过 PPTOD 模型和新的对话多任务预训练策略来解决任务导向对话系统中存在的级联生成问题，取得了针对几个基准 TOD 任务的最新成果。

Sep, 2021