Die meisten Methoden zur Emotionserkennung behandeln die Aufgabe des Emotionsverstehens, indem sie einzelne Emotionen unabhängig voneinander betrachten, wobei deren unscharfe Natur und die Wechselwirkungen zwischen ihnen ignoriert werden. In diesem Paper untersuchen wir, wie Emotionskorrelationen erfasst und für verschiedene Klassifikationsaufgaben genutzt werden können. Wir stellen EmoGraph vor, ein Ansatz, der Abhängigkeiten zwischen verschiedenen Emotionen mittels Graphnetzwerke erfasst. Diese Graphen werden durch Ausnutzung der Ko-Existenzstatistiken zwischen verschiedenen Emotionskategorien aufgebaut. Empirische Ergebnisse auf zwei Multi-Label-Klassifikationsdatensätzen zeigen, dass EmoGraph starke Baselines übertrifft, insbesondere hinsichtlich des Macro-F1-Werts. Eine zusätzliche Experimentierung verdeutlicht, dass die erfassten Emotionskorrelationen auch einer Single-Label-Klassifikationsaufgabe zugutekommen können.