提出基于情绪认知理论的多轮递推式推理模块和上下文推理网络的设计，用于提取和整合情感线索以充分理解对话上下文，并在三个公共基准数据集上进行广泛实验，证明了模型的有效性和卓越性。

Jun, 2021

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

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

通过对话生成器获取情感知识，辅助对情感对话的识别，实现情感识别的转移学习方法。

Oct, 2019

基于 RoBERTa 编码器的上下文依赖嵌入话语表示法为核心的情感识别方法通过在分类模型中附加简单的分类模块来实现有效性，证明了这种方法在比复杂分类模块更有效的情境无关话语表示方法上表现更好。

Apr, 2023

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

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

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

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

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