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

本文提出了一种针对情绪 - 原因对抽取的端到端模型，并在 NTCLR-13 ECE 语料库上建立了性能基线。相较于多阶段方法，该模型在该数据集上取得了显着的性能提升（F1 得分提高了约 6.5%），并且实现了与最先进方法相媲美的性能。

Mar, 2021

本研究提出了一种基于情感预测的端到端情感原因抽取方法 (EPO-ECPE)，通过同步机制和真假对照监督学习，提高情感原因抽取的准确性和易用性。实验结果表明，该方法超过了 13 个系统，并达到了最新的最优性能。

Feb, 2023

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

通过共享交互模块、情感 - 原因对抽取和情感抽取和原因抽取之间的共享信息挖掘，以及根据知识图谱路径长度筛选合适标签并构建任务特定特征，提出了基于 GRU、知识图谱和 Transformer 模块的端到端多任务模型 (MM-ECPE)，在 ECPE 基准数据集上实验结果表明，该模型取得了良好的性能，尤其是在位置不平衡的样本上。

Apr, 2024

提出了一种基于多轮机器阅读理解的情感原因对抽取框架，可以避免标签稀疏性问题，考虑专有名词和动词的语义信息，同时模拟情感和原因之间复杂的关系，并在情感原因数据集上表现出更好的性能。

Sep, 2022

本文提出了 Emotion-Cause Quadruple Extraction in Dialogs (ECQED) 任务，旨在检测情感 - 原因话语对和情感与原因类型。我们提出了一种基于结构和语义异构图及并行网格标记方案的 ECQED 模型，通过实验表明引入细粒度的情感和原因特征可显著提高对话生成的性能，并且我们的 ECQED 系统在情感 - 原因四元组或对提取任务上表现出了显著的优越性，同时高效。

Jun, 2023

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

通过深度记忆网络和卷积神经网络，我们将情感诱因提取作为阅读理解任务。性能评估结果表明，我们的方法在最新发布的情感诱因数据集上实现了最新技术表现，并且在 F-measure 上至少比多个基准线高 3.01%。

Aug, 2017

通过提出的 A^2Net 模型和两种对齐机制，对情感原因对抽取（ECPE）进行改进，具体涉及到情感、原因共享特征、标签一致性等相关方面的多任务学习，结果在 ECA 子任务中表现最佳。

Sep, 2022