情绪的感知与表达能力在对话领域中起到了至关重要的作用。Emotional Chatting Machine (ECM) 模型，将情绪信息引入到对话生成模型中，提升了对话中对情绪的表达能力并且使得生成的对话更为恰当，下图为本模型的总体框架：
ECM模型框架如下，可以分为两个大的部分：基于GRU模型结合Attention机制的Encoder-Decoder模型和情感模型。这两个模型密不可分，情感模型的输出是Decoder的输入，同时Decoder的输出也是情感模型的输入，最终Encoder-Decoder和情感模型的输出联合生成最终应答句子：
情感模型主要包括三个部分：情感类别嵌入、内部记忆模型和外部记忆模型：
- 情感类别嵌入：这个主要是将这个句子的情感类别作为Decoder输入的一部分：
其中是ct 基于st−1 与 h 的 attention，e（yt−1）是上一步输出的词语 yt−1的embedding，ve是情绪类别的embedding
- 内部记忆模型
不用被这张图吓到了，这个部分主要完成了两件事：当机器准备生成第 t个应答词，有多大概率使用当前状态的情感状态Me,tI，并更新下一时刻t 1的情感状态。
论文中使用的gate，可以理解 gtr成生成第t个词时考虑情感状态的概率，而gtw则可以理解为更新情感状态的概率：
- 外部记忆模型：这个在生成应答词的最后使用，内部记忆模型隐式地考虑了生成词时对情感因子的使用，但是最终要生成具体的词语，这就要显式地考虑情感因子。这部分的工作简而言之就是，首先根据当前的隐含情感状态选择情感词并根据当前Decoder输出的隐含状态选择其他非情感词，然后均衡考虑情感词和其他非情感词，生成最终应答词：
输出门 gto可以理解为应答词 yt为情感词的概率：
