本文提供了基于因果关系的视角来解决 “上下文感知情感识别（CAER）” 中的数据集中存在的偏见问题。通过构建因果图，设计了 Contextual Causal Intervention Module (CCIM) 来提高模型表现并且在三个基准数据集上进行了充分的实验来证明其有效性和重要性。

Mar, 2023

该研究介绍了一种基于深度网络的上下文感知情感识别方法，利用了人脸表情和场景上下文信息进行情感识别，并通过引入新的基准数据集 CAER 在多个基准测试中表现出了上下文对于情感识别的有效性。

Aug, 2019

本文提出了一种同时考虑语境和情感的框架 CEFER（Context and Emotion embedded Framework for Emotion Recognition），提高了对文本中隐含情感的识别准确率。

Sep, 2022

确定是否在不同的上下文范围内表达出的情绪和原因具有有效的因果关系，并提取参与因果关系的特定上下文从而构建一个可用于平衡具有和没有因果关系的文档数量的最终数据集，通过提出上下文屏蔽模块来提取参与因果关系的上下文子句，并通过提出预测聚合模块根据输入的情绪和原因是否依赖于特定的上下文子句来调整预测结果，验证了我们提出的框架的有效性和普遍性。

Nov, 2023

为提高 ERC，我们生成预训练语言模型的未来上下文来集成多重上下文，并证明伪未来上下文在某些情况下可以在上下文无关的对话中与真实上下文媲美。

Jun, 2023

本研究提出了一种新的方法来消除情感诱因提取任务中数据集的偏差，并在对抗样例上进行了测试，同时采用基于图的方法来显式地建模情感触发路径以增强语义依赖性。实验的结果表明，我们的方法不仅表现与现有技术水平一致，并且比现有的模型更具鲁棒性。

Jun, 2021

本文提出了一种从图像中提取高级语境表示的方法，利用单个线索和单个编码流与情感相关联，并且该模型的执行效率比以前的模型更高，其在 EMOTIC 数据集上达到了 0.3002 的 mAP 并且能够在消费级硬件上以每秒大约 90 帧的速度执行，容易部署在解决与情感识别相关的现实问题中。

May, 2023

通过引入自我上下文感知模型 (SCAM)，结合二维情绪坐标系统、独特信息保留结构和上下文损失，我们在音频、视频和多模态情景中显著提高了情绪识别的准确性。未来，我们将通过心理实验来验证 SCAM 在机器人上的可靠性和可用性。

Jan, 2024

在对话中进行情感识别（ERC）意味着检测每个话语背后的情感。有效生成话语的表示仍然是这项任务中的一个重大挑战。最近的研究提出了各种模型来解决这个问题，但是仍然难以区分类似的情感，如兴奋和幸福。为了缓解这个问题，我们提出了一种情感锚定对比学习（EACL）框架，能够为相似的情感生成更具区分性的话语表示。为了实现这一目标，我们利用标签编码作为锚点来指导话语表示的学习，并设计了一个辅助损失来确保相似情感的锚点有效分离。另外，还提出了一个额外的适应过程，将锚点适应为有效的分类器，以提高分类性能。通过广泛的实验，我们提出的 EACL 框架实现了最新的情感识别性能，并在类似情感上表现出卓越的性能。我们的代码可在此 https 网址获得。

Mar, 2024

通过深度学习模型，本研究提出了一种基于度量学习和 Siamese 网络架构的方法来进行情感识别对话任务，取得了 57.71 的宏 F1 得分，相较于相关研究有了显著的提升。

Apr, 2024