Das Kausale Emotionsentailment (CEE) strebt danach, die potenziellen Ursachen hinter einer Emotion in einem konversationellen Äußerung zu entdecken. Frühere Arbeiten haben CEE als unabhängige Klassifikationsprobleme von Äußerungspaaren formalisiert, wobei Informationen über Emotion und Sprecher vernachlässigt wurden. Aus einer neuen Perspektive betrachtet dieser Artikel CEE in einem gemeinsamen Rahmen. Wir klassifizieren mehrere Äußerungen gleichzeitig, um die Korrelationen zwischen den Äußerungen im globalen Kontext zu erfassen, und schlagen ein Zwei-Strömungs-Aufmerksamkeitsmodell (ZSAM) vor, um die emotionalen Einflüsse des Sprechers in der konversationellen Geschichte effektiv zu modellieren. Speziell besteht das ZSAM aus drei Modulen: Emotionsaufmerksamkeitsnetzwerk (EAN), Sprecheraufmerksamkeitsnetzwerk (SAN) und Interaktionsmodul. Das EAN und SAN integrieren Emotions- und Sprecherinformationen parallel, während das nachfolgende Interaktionsmodul durch eine gegenseitige BiAffine-Transformation relevante Informationen zwischen EAN und SAN effektiv austauscht. Umfangreiche experimentelle Ergebnisse zeigen, dass unser Modell neue State-Of-The-Art (SOTA)-Leistungen erzielt und die Baseline-Modelle erheblich übertreffen kann.