Affective Computing in the Era of Large Language Models: A Survey from the NLP Perspective

情感计算（AC）结合计算机科学、心理学和认知科学知识，旨在使机器能够识别、解释和模拟人类情感。为了创造更多的价值，AC可以应用于各种场景，包括社交媒体、金融、医疗保健、教育等。情感计算（AC）包括两个主流任务，即情感理解（AU）和情感生成（AG）。对于AU任务，微调预训练语言模型（PLMs）已经取得了相当大的成功。然而，这些模型缺乏泛化能力，需要专门的模型来完成特定的任务。此外，传统的PLMs在AG方面面临挑战，特别是在生成多样化和情感丰富的响应方面。大型语言模型（LLMs）的出现，如ChatGPT系列和LLaMA模型，带来了新的机遇和挑战，催生了AC的范式转变。LLMs具有上下文学习、常识推理和高级序列生成的能力，为AU提供了前所未有的机会。为了从自然语言处理的角度全面了解LLMs时代的AC，我们总结了该领域LLMs研究的发展，旨在提供新的见解。具体而言，我们首先总结了与AC相关的传统任务，并介绍了基于LLMs的初步研究。随后，我们概述了流行的LLMs相关技术，以改善AC任务，包括指令调整和提示工程。对于指令调整，我们讨论了全参数微调和参数高效方法，如LoRA、P-Tuning和Prompt Tuning。在提示工程中，我们检查了零-shot、少-shot、思维链（CoT）和基于代理的AU和AG方法。为了清楚地了解LLMs在不同情感计算任务上的表现，我们进一步总结了现有的基准和评估方法。

本论文旨在从自然语言处理的角度，提供情感计算在大语言模型时代的综述和新思路。其中重点探讨如何利用大语言模型解决情感理解和情感生成两个主流任务面临的挑战。

本文介绍了利用大型预训练语言模型（LLMs）来解决情感计算任务的方法，包括指令微调和提示工程等技术。其中，指令微调包括全参数微调和参数高效微调，提示工程包括零样本、少样本、CoT和基于代理的方法。此外，本文还总结了现有的基准数据集和评估方法，以便更好地评估LLMs在不同情感计算任务上的性能。

本文介绍的方法和技术可以帮助大型预训练语言模型更好地应用于情感计算任务，具有很高的实用价值。此外，本文还总结了现有的基准数据集和评估方法，为未来的研究提供了参考。值得注意的是，本文提到的一些技术和方法已经在实践中得到了验证，具有很高的可行性。

最近在这个领域中，还有一些相关的研究被进行。例如，题为“BERT for Emotion Recognition: A Review”的论文综述了利用BERT模型进行情感识别的研究现状和进展。另外，还有一些研究探讨了如何使用多模态信息来提高情感计算任务的性能，例如题为“Multimodal Emotion Recognition: A Survey”的论文。