提出了一种基于共同演化推理的多任务学习框架（CGR-Net），以提取文档中的情绪原因对，并通过提供预测级交互来捕获不同任务之间的依赖关系，进而实现对因果关系的充分利用。

Jun, 2023

提出了 Emotional Chain-of-Thought (ECoT) 方法，利用人类情感智能准则提升大型语言模型（LLMs）在情感生成任务中的性能；通过自动化模型评估方法 EGS 验证了 ECoT 的可靠性，并展示了其有效性；讨论了 LLMs 在情感分析领域的潜力，以及 LLMs 与 ECoT 在情感生成任务中的关键见解。

Jan, 2024

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

利用大型语言模型，提出了分解的情感 - 原因链框架（DECC），通过引导语言模型进行词对抽取任务，并结合上下文学习进一步增强了该框架的性能。与现有方法相比，DECC 在实验结果中表现出更强的效果和稳健性。

Jan, 2024

本文提出了一种名为 CACD 的新型因果推断方法，旨在通过设计一个公共的骨架和生成替代的隐含因素来推导对话中的因果关系，该方法在情感相关领域的六个数据集上展示出比 SOTA 基准更好的性能表现。

May, 2023

本研究使用深度神经网络方法进行情感和对话背后原因的多任务学习，并利用词语和句子级嵌入来克服以往方法的限制。提出的情感 - 因果识别对话模型独特地结合了双向长短期记忆和图神经网络模型，有效地构建抽象概念并最小化信息损失。实验结果表明，该模型在情感和因果多任务学习上表现更好，并且结合节点和边特征的图结构进一步提升性能。

Mar, 2024

情感表达是对话的基本特征之一，可以是自我相关的或由其他发言人引起的。本文采用最新的链式思维方法（THOR）进行大型语言模型指令调整，以回答情绪状态（THOR-state）和一个发言人引起的情绪（THOR-cause）。我们利用 THOR-cause 通过推理修订（rr）设计了一个推理路径，并依赖于注释的发言人情绪状态来修订推理路径。在竞赛训练数据上通过 Flan-T5-base（250M）和基于规则的跨度修正技术初步调整 THOR-state，以及通过 THOR-cause-rr 进行细调，我们最终的结果在 15 支参赛队伍中获得了第 3 名和第 4 名（F1 - 比例），以及第 5 名（F1 - 严格）。我们的 THOR 实现 fork 是公开可用的：this https URL。

Apr, 2024

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

提出了一种新的名为 CARE 的框架，它通过使用 Conditional Variational Graph Auto-Encoder (CVGAE) 来推理所有可能的因果关系，并采用多源注意力机制来将这些因果关系注入到共情型对话响应生成中，实验结果表明该方法取得了最先进的性能。

Nov, 2022

该研究旨在解决现有研究仅关注用户情绪，而忽略情绪产生原因的问题，提出了一种基于图的多跳推理模型来建模共情对话的情感因果关系，并在 EMPATHETICDIALOGUES 上与几种竞争模型进行了比较实验，验证了该模型的有效性。

Oct, 2021