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
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
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
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
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
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。
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
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