大型语言模型时代的情感计算：来自NLP视角的综述
摘要
情感计算 (Affective Computing, AC) 融合了计算机科学、心理学和认知科学，旨在使机器能够在社交媒体、金融、医疗保健和教育等领域识别、解释和模拟人类情感。AC通常围绕两个任务族展开：情感理解 (Affective Understanding, AU) 和情感生成 (Affective Generation, AG)。虽然微调的预训练语言模型 (PLMs) 已取得扎实的AU性能，但它们通常在不同任务间泛化能力差，并且在AG方面仍然受限，尤其是在生成多样化、情感上合适的回应方面。大型语言模型 (LLMs)（例如ChatGPT和LLaMA）的出现，通过提供上下文学习、更广泛的世界知识和更强的序列生成能力，催化了范式转变。本综述呈现了LLM时代AC的NLP导向概览。我们 (i) 整合了传统的AC任务和初步的基于LLM的研究；(ii) 回顾了改进AU/AG的适应技术，包括指令微调（全量和参数高效方法，如LoRA、P-/Prompt-Tuning）、提示工程（零/少样本、思维链、基于智能体的提示）和强化学习。对于后者，我们总结了来自人类偏好的强化学习 (RLHF)、可验证/程序化奖励的强化学习 (RLVR) 和来自AI反馈的强化学习 (RLAIF)，这些方法提供了基于偏好或规则的优化信号，有助于引导AU/AG朝着共情、安全和规划的方向发展，实现更细粒度或多目标控制。为了评估进展，我们汇编了AU和AG的基准测试和评估实践。我们还讨论了开放挑战——从伦理、数据质量和安全到鲁棒评估和资源效率——并概述了研究方向。我们希望本综述能阐明该领域现状，并为构建情感感知、可靠且负责任的LLM系统提供实用指导。
引用
@article{arxiv.2408.04638,
title = {Affective Computing in the Era of Large Language Models: A Survey from the NLP Perspective},
author = {Yiqun Zhang and Xiaocui Yang and Xingle Xu and Zeran Gao and Yijie Huang and Shiyi Mu and Shi Feng and Daling Wang and Yifei Zhang and Kaisong Song and Ge Yu},
journal= {arXiv preprint arXiv:2408.04638},
year = {2025}
}
备注
Compared with the previous version, reinforcement learning has been added (as a new section), including RLHF, RLVR, and RLAIF