In Dialogsystemen können Äußerungen mit ähnlicher Semantik je nach Kontext unterschiedliche Emotionen tragen. Daher spielt die Modellierung langfristiger kontextueller emotionaler Beziehungen unter Berücksichtigung der Sprecherabhängigkeit eine entscheidende Rolle bei der Erkennung von Emotionen in Dialogen. Gleichzeitig ist die Unterscheidung zwischen verschiedenen Emotionskategorien nicht trivial, da diese oft semantisch ähnliche Stimmungen aufweisen. Um dies zu bewältigen, setzen wir überwachte kontrastive Lernverfahren ein, um verschiedene Emotionen wechselseitig exklusiv zu machen, um ähnliche Emotionen besser unterscheiden zu können. Gleichzeitig nutzen wir eine Hilfsaufgabe zur Antwortgenerierung, um die Fähigkeit des Modells zur Verarbeitung von Kontextinformationen zu stärken und das Modell somit zu zwingen, Emotionen mit ähnlicher Semantik in unterschiedlichen Kontexten korrekt zu erkennen. Um diese Ziele zu erreichen, verwenden wir das vortrainierte Encoder-Decoder-Modell BART als Grundmodell, da es sich besonders gut sowohl für Verständnis- als auch für Generierungsaufgaben eignet. Experimente an vier Datensätzen zeigen, dass unser vorgeschlagenes Modell im Vergleich zu aktuellen State-of-the-Art-Modellen signifikant bessere Ergebnisse bei der Erkennung von Emotionen in Dialogen erzielt. Eine Ablationsstudie belegt zudem die Wirksamkeit des überwachten kontrastiven Verlustes und des generativen Verlustes.