计算机与人工智能学院成果被IJCAI2026主会录用

近日，计算机与人工智能学院李洋教授、解云鹤副教授团队的成果《From Discrete to Continuous: Progressive Hybrid-Distributional Learning for Gradual Emotion Transitions》被IJCAI2026主会录用。IJCAI（International Joint Conference on Artificial Intelligence）是人工智能领域重要国际会议之一，长期代表着人工智能基础理论与前沿技术的发展方向。

聚焦情绪“渐变”难题：让机器真正理解人类情绪变化

在人类真实对话中，情绪往往并非瞬间跳变，而是一个逐渐积累、持续演化的动态过程。例如，一个人可能从平静逐步转向不满、愤怒甚至崩溃。然而，现有主流情绪识别模型通常采用离散标签，即默认一句话只对应单一情绪类别，这种方式难以刻画真实情绪之间的过渡关系与混合状态。这种离散化建模方式会导致模型虽然能够检测“情绪是否发生变化”，却难以判断“情绪正在向哪个方向演化”，尤其在处理中性情绪、惊讶等细粒度情绪迁移时表现较差。

针对这一问题，研究团队提出了一种全新的渐进式混合分布学习框架——PHD（Progressive Hybrid-Distributional Learning）。该框架将情绪建模从传统离散标签扩展到分布式表示，使模型能够模拟真实人类情绪的渐进演化过程。

PHD框架：从“单一情绪”走向“混合情绪”

PHD框架的核心思想是：一句话并不只包含一种情绪，而是可能同时具有多种情绪倾向。为此，研究团队设计了“混合分布标签重构机制”，分别从：情绪空间（Emotion Space）和上下文语义空间（Contextual Space）两个维度构建软标签（Soft Label），从而让模型不仅知道一句话属于哪种主情绪，还能理解其潜在情绪关联与演化趋势。

此外，研究团队进一步提出：

（1）渐进式训练策略（PTS）：模型在训练初期先学习“混合情绪状态”，随后逐步收敛到标准分类目标，从而模拟现实中的情绪渐变过程。

（2）分级对比学习机制（GCL）：传统对比学习通常只有“正样本”和“负样本”两类，而该研究创新性引入：强正样本、弱正样本、弱负样本和强负样本四级关系建模机制，使模型能够更加细致地理解不同情绪之间的相似程度，有效缓解情绪边界模糊问题。

多项实验验证：显著提升情绪迁移识别能力

在IEMOCAP、MELD、EmoryNLP等对话情绪数据集上进行了系统实验。结果表明，PHD框架能够稳定提升多种主流模型性能，平均提1.29%的加权F1值。尤其值得关注的是，在“情绪迁移场景”中，PHD展现出了更明显优势：在部分数据集上，情绪迁移识别能力提升超过5%；对“中性→其他情绪”等细粒度情绪变化的识别提升最高超过13%。实验结果证明，该方法不仅能够识别情绪变化本身，更能够有效捕捉情绪演化方向，对真实复杂对话环境具有适应能力。

随着大模型与智能体技术快速发展，机器是否具备“情绪理解能力”已成为迈向社会智能的关键一步。该研究通过引入“连续分布式情绪建模”思想，为未来情感智能系统提供了新的技术路线，也为大模型时代下更自然、更可信的人机交互奠定了重要基础。