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

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

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

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

提出了一种新的 PBJE 网络，它以联合特征编码的方式同时生成情绪和原因状语从句特征和二者之间的对特征，以平衡信息流，然后再采用 RGCN 捕捉它们之间的各种关系，从而在中文基准语料库上实现了最先进的表现。

Dec, 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

利用大型语言模型，提出了分解的情感 - 原因链框架（DECC），通过引导语言模型进行词对抽取任务，并结合上下文学习进一步增强了该框架的性能。与现有方法相比，DECC 在实验结果中表现出更强的效果和稳健性。

Jan, 2024

本研究提出了一种新的方法来消除情感诱因提取任务中数据集的偏差，并在对抗样例上进行了测试，同时采用基于图的方法来显式地建模情感触发路径以增强语义依赖性。实验的结果表明，我们的方法不仅表现与现有技术水平一致，并且比现有的模型更具鲁棒性。

Jun, 2021

提出了一种基于共同演化推理的多任务学习框架（CGR-Net），以提取文档中的情绪原因对，并通过提供预测级交互来捕获不同任务之间的依赖关系，进而实现对因果关系的充分利用。

Jun, 2023