EmoLLM: Appraisal-Grounded Cognitive-Emotional Co-Reasoning in Large Language Models

📄 arXiv: 2603.16553v1 📥 PDF

作者: Yifei Zhang, Mingyang Li, Henry Gao, Liang Zhao

分类: cs.CL, cs.AI

发布日期: 2026-03-17

💡 一句话要点

EmoLLM：基于评估理论的大语言模型认知-情感协同推理框架

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 情感智能 大语言模型 评估理论 认知-情感协同推理 对话系统

📋 核心要点

  1. 现有大语言模型在情感理解和生成方面存在不足，难以在复杂对话场景中兼顾事实性和情感适当性。
  2. EmoLLM通过引入评估推理图(ARG)显式建模用户需求、情绪状态和响应策略，实现认知和情感的协同推理。
  3. 实验结果表明，EmoLLM在多种对话场景中显著提升了情感状态结果和回复质量，同时保持了事实可靠性。

📝 摘要（中文）

大语言模型(LLMs)展现了强大的认知智能(IQ)，但许多现实世界的交互也需要情感智能(EQ)，以产生在事实上可靠且在情感上适当的回复。在情感支持、技术援助和咨询等场景中，有效的对话取决于如何根据用户的需求、目标和应对能力来评估情况。受评估理论的启发，我们提出了EmoLLM，一个用于对话中IQ/EQ协同推理的基于评估的框架。EmoLLM使用显式的评估推理图(ARG)来构建对上下文事实、推断的用户需求、评估维度、情绪状态和响应策略的中间推理，然后再生成回复。我们通过强化学习在多轮角色扮演环境中训练EmoLLM，其中反向视角推理基于对回复的用户端后果的预测来提供奖励信号。在不同的对话设置中，EmoLLM在保持强大的事实可靠性的同时，提高了情绪状态结果和响应质量，优于强大的基线模型。

🔬 方法详解

问题定义：现有的大语言模型虽然在认知智能方面表现出色，但在处理需要情感理解和表达的对话场景时，往往难以兼顾事实的准确性和情感的适当性。尤其是在情感支持、技术援助等场景中，模型需要理解用户的需求、目标和应对能力，并根据这些信息生成既符合事实又能在情感上支持用户的回复。现有的方法缺乏对用户情感状态的显式建模和推理，导致生成的回复可能不够贴合用户的实际情况。

核心思路：EmoLLM的核心思路是借鉴心理学中的评估理论，将对话过程建模为一系列基于用户需求的评估过程。通过显式地推理用户的需求、目标、应对能力以及由此产生的情绪状态，EmoLLM能够更好地理解对话的上下文，并生成更具情感智能的回复。这种基于评估的推理过程有助于模型在生成回复时同时考虑事实和情感因素，从而提高回复的质量和适用性。

技术框架：EmoLLM的整体框架包括以下几个主要模块：1) 上下文编码器：用于编码对话历史和当前输入。2) 需求推断模块：用于推断用户的潜在需求和目标。3) 评估推理图(ARG)：用于构建对上下文事实、用户需求、评估维度、情绪状态和响应策略的中间推理。4) 回复生成器：基于ARG中的信息生成最终的回复。该框架采用多轮角色扮演环境进行训练，并使用强化学习来优化模型的性能。

关键创新：EmoLLM最重要的技术创新点在于引入了评估推理图(ARG)来显式地建模和推理用户的情感状态。ARG将对话过程分解为一系列基于用户需求的评估过程，从而使模型能够更好地理解对话的上下文，并生成更具情感智能的回复。与现有方法相比，EmoLLM能够更全面地考虑事实和情感因素，从而提高回复的质量和适用性。

关键设计：EmoLLM的关键设计包括：1) 评估推理图(ARG)的结构和推理规则。2) 强化学习的奖励函数，该函数基于反向视角推理，根据对回复的用户端后果的预测来提供奖励信号。3) 多轮角色扮演环境的构建，该环境能够模拟真实的对话场景，并为模型提供丰富的训练数据。具体来说，奖励函数的设计考虑了用户的情绪变化，鼓励模型生成能够积极影响用户情绪的回复。

📊 实验亮点

实验结果表明，EmoLLM在多个对话场景中显著优于现有的基线模型。例如，在情感支持对话场景中，EmoLLM能够更有效地改善用户的情绪状态，并生成更具情感支持性的回复。与基线模型相比，EmoLLM在情绪状态结果和回复质量方面均取得了显著提升，同时保持了强大的事实可靠性。具体提升幅度未知，论文中未给出明确的数值。

🎯 应用场景

EmoLLM具有广泛的应用前景，可应用于情感支持聊天机器人、智能客服、心理咨询等领域。通过提升机器的情感智能，EmoLLM能够更好地理解用户的需求和情感状态，并提供更具个性化和情感化的服务，从而提高用户满意度和体验。未来，EmoLLM还可以应用于教育、医疗等领域，为人们提供更优质的智能服务。

📄 摘要（原文）

Large language models (LLMs) demonstrate strong cognitive intelligence (IQ), yet many real-world interactions also require emotional intelligence (EQ) to produce responses that are both factually reliable and emotionally appropriate. In settings such as emotional support, technical assistance, and consultation, effective dialogue depends on how situations are appraised with respect to the user's needs, goals, and coping capacity. Inspired by appraisal theory, we propose EmoLLM, an appraisal-grounded framework for IQ/EQ co-reasoning in dialogue. EmoLLM uses an explicit Appraisal Reasoning Graph (ARG) to structure intermediate reasoning over contextual facts, inferred user needs, appraisal dimensions, emotional states, and response strategies before generating a reply. We train EmoLLM in a multi-turn role-play environment with reinforcement learning, where reverse-perspective reasoning provides reward signals based on predicted user-side consequences of responses. Across diverse dialogue settings, EmoLLM improves emotional state outcomes and response quality over strong baselines while preserving strong factual reliability.