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

通过整合文本、音频和视觉模态的专门情感编码器，我们提出了一种新颖的多模态情感识别和多模态情感因果抽取（MER-MCE）框架，与其他顶级团队相比，我们的方法利用模态特定特征来增强情感理解和因果推断，并进行了实验性评估来展示其优势，我们的成绩在加权 F1 得分中排名第三，仅相差 0.0339 分以及第一名队伍，相差 0.0025 分以及第二名队伍。

Mar, 2024

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

本研究提出了一个多阶段框架，旨在通过目标情绪生成情绪并提取情绪的因果对。我们的方法在竞赛中在两个子任务中均获得第一名。

Apr, 2024

本文提出一种多模态情感知识共享框架（UniMSE），用于统一多模态情感分析（MSA）和对话中情绪识别（ERC）任务以 better capture the difference and consistency between sentiments and emotions by performing modality fusion at the syntactic and semantic levels and introducing contrastive learning between modalities and samples. 通过在四个公共测试数据集上的实验，展示了该方法的有效性并与最先进的方法进行了一致的改进。

Nov, 2022

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

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

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

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

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