该论文研究了在对话中提取情感原因的重要性，提出了一种基于话语结构的模型，利用多任务学习框架和门控图神经网络来建模和分析对话，加强了情感和原因表达之间的联系，并验证了模型的有效性。

Oct, 2022

本研究介绍了 Dialogue Graph Convolutional Network (DialogueGCN) 的方法，使用图神经网络来进行 Emotion recognition in conversation (ERC)，并通过解决当前循环神经网络方法存在的上下文传播问题来提高情感分类效果。

Aug, 2019

情感识别对话（ERC）是情感计算的重要方面，它在医疗保健、教育、聊天机器人和社交媒体平台等方面具有许多实际应用。我们提出了适用于 ERC 分析的新型线性对话图卷积网络（LineConGCN）和图注意力（LineConGAT）模型，并评估了模型在两个基准数据集上的表现，证明了 LineConGAT 模型在 F1 得分为 64.58％和 76.50％的情况下优于最先进的方法。此外，我们还证明将情感变化信息嵌入到对话图中进一步提高了 GCN 模型的 ERC 性能。

Dec, 2023

研究提出了一种基于多模态融合图卷积网络的情感识别模型，该模型能够更有效地利用多模态和长距离语境信息，并利用说话人信息对说话人之间和说话人内部依存关系进行建模，实验结果表明该模型在多模态交互下表现优异。

Jul, 2021

本文提出了一种用于对话中多模态情绪识别的高效远程潜在关系感知图神经网络（ELR-GNN），通过捕捉全局话语之间的潜在依赖关系和语义关联，结合早期融合和自适应后期融合机制，实现了情感预测，并在 IEMOCAP 和 MELD 基准数据集上取得了最先进的性能，分别将运行时间减少了 52% 和 35%。

Jun, 2024

该研究提出了一种基于神经网络的情感预测模型 MuTEC，旨在从对话中提取情感表达的原因，并针对此目标设计了情感原因跨度与因果语句判定的多任务学习框架，比现有基线模型表现更好

Nov, 2022

我们提出了一种基于课程学习策略的新型情感识别网络（ERNetCL），它通过结合前期方法的优点以简洁的方式高效地捕捉对话中的时序和空间上下文信息，并利用课程学习的思想逐步优化网络参数。在四个数据集上进行的大量实验表明，我们的方法有效地击败了其他基准模型。

Aug, 2023

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

理解和预测多方多轮对话中的情感轨迹具有重要意义。本研究引入了预测对话中情感的新问题（PEC），采用文本和 / 或情感输入预测下一轮（n+1）的情感，通过建模顺序、自依赖和最近性这三个与对话中引发情感有关的维度，并将它们融入了两种深度神经网络架构，一个用于捕捉对话中的话语顺序，另一个用于捕捉话语的顺序和多方对话的网络形成。我们对各种提出的模型进行了全面的实证评估来解决 PEC 问题，结果表明自依赖和最近性模型维度对预测任务的重要性，简单的顺序模型在短对话中的质量以及图神经模型在改善长对话的预测中的重要性。

Dec, 2023

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