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

该文提出了一种新的多粒度语义感知图模型 (MGSAG)，可以提取文档中的情感和原因，通过探索子句和从文档中提取的关键词之间的语义依赖关系，获取增强的子句表示，并建立子句图来建模粗粒度的语义关系。实验结果表明，MGSAG 在提取情绪和原因的任务上优于现有的 ECPE 模型，特别是在面对位置不敏感数据的情况下效果更好。

May, 2022

该论文研究了在对话中提取情感原因的重要性，提出了一种基于话语结构的模型，利用多任务学习框架和门控图神经网络来建模和分析对话，加强了情感和原因表达之间的联系，并验证了模型的有效性。

Oct, 2022

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

该研究提出了一种基于位置感知图的方法来处理对话中的因果关系，实现了与该领域最先进的模型相当的性能，并提供了源代码。

Mar, 2023

本文提出了一种基于编码模型的句子层次方法，命名为 EA-GAT，可以有效地提取文档中可能的情感 - 原因对，实验结果表明该方法在中文和英文基准语料上具有显著优势。

Aug, 2022

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

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