Hoewel conversationele agenten populair, winstgevend, en breed toepasbaar zijn, staat onderzoek naar de schijnbaar menselijke talenten van deze agenten nog in de kinderschoenen. Een ander probleem dat vooruitgang in zulke systemen bemoeilijkt, is de discrepantie tussen wetenschappelijk onderzoek en de implementaties ervan in de industrie. Het doel van dit project is om het gebrek aan connotatieve kennis (nl. emoties) in tekstgebaseerde dialoogsystemen aan te pakken. We zullen daarom (i) nieuwe machine-learning modellen ontwikkelen voor het detecteren van expliciete en impliciete fijnmazige emotietrajecten, en (ii) gepaste antwoordstrategieën genereren voor de gedetecteerde emoties. Om de kloof tussen onderzoek en industrie te overbruggen, focussen we op conversaties in het domein van Nederlands- en Engelstalige klantenservice. Eerst zullen we echte en synthetische corpora van tekstuele dialogen verzamelen. Nadien wordt er een nieuwe pipeline ontworpen voor het dynamisch detecteren van emoties in dialogen d.m.v. kennis over gebeurtenissen, intentie en antwoordstrategieën. De output van deze pipeline zal gebruikt worden in een component die automatisch factuele antwoorden omvormt in emotierijke antwoorden met als doel de emoties van klanten te sturen naar een positiever sentiment. Ons finale systeem zal gevalideerd worden op overdraagbaarheid en bruikbaarheid door het te implementeren in twee use cases.