该研究探讨了情感原因在对话中的识别问题，定义了这个问题的两个子任务并提供了相应的基于 Transformer 的数据集和基线技术。
Dec, 2020
本研究提出利用常识模型和多任务学习相结合的方法，在情感识别和情感原因标记方面取得显著成效，并在模型性能分析方面进行了全面深入的探究。
Jun, 2021
本文提出一种新的任务：情绪 - 原因对提取（ECPE），其目的在于提取文档中情绪和相应原因的潜在配对，并借助多任务学习实现个体情绪提取和原因提取以及情绪 - 原因匹配和过滤，其在基准情绪原因语料库上的实验结果证明了该任务的可行性以及方法的有效性。
Jun, 2019
本文提出基于 BERT 的 Guided-QA 模型，将情感 - 原因对提取 (ECPE) 任务转换为问题回答 (QA) 问题，并在标准 ECPE 语料库上获得了有希望的结果。
Jan, 2023
该研究提出了一种基于神经网络的情感预测模型 MuTEC，旨在从对话中提取情感表达的原因，并针对此目标设计了情感原因跨度与因果语句判定的多任务学习框架，比现有基线模型表现更好
Nov, 2022
本研究探讨情感原因抽取中存在的位置偏差，发现利用位置信息的深度学习模型在包含偏差数据集中表现较好，而在位置分布平衡的数据集中表现下降，提出了必须排除偏差干扰的问题，这对于未来深度学习模型的应用提供了借鉴。
Jul, 2020
本文旨在解决文本中情感表达的因果关系问题，通过提出基于神经网络编码三个元素（文本内容、相对位置、全局标签）的模型，并采用相对位置增强嵌入学习算法，实现基于重新排序的预测和动态全局标签的机制，成功地提升了情感原因识别的性能，表现明显优于许多竞争性基线结果。
这篇论文概述了 SemEval-2024 任务 3 的目标，即从对话中提取所有情绪和其对应原因的对，并介绍了顶级团队的系统以及参与者的发现。
May, 2024
提出了一种基于句子标签和序列标签问题的模型，通过对话中涉及的多个模态（文本、音频和视觉模态）的独立话语以及导致情绪的相应话语来解决多模态情绪原因分析任务，并对使用不同编码器（包括 BiLSTM）的基准线进行了比较研究，并最终添加了 CRF 层以更有效地建模相邻话语之间的相互依赖关系，其在任务的官方排行榜上排名第 8，F1 得分为 0.1759。
Apr, 2024
该研究提出了一种多任务学习模型，将情感的提取、原因的提取和情感 - 原因对的提取同时进行，将情感 - 原因对的提取视为链接预测任务，并经过实验证明，该模型优于现有技术水平。
Feb, 2020