Das Ziel des conversational causal emotion entailment ist es, kausale Äußerungen für eine nicht neutrale gezielte Äußerung aus einem Gespräch zu erkennen. In dieser Arbeit bauen wir Gespräche als Graphen auf, um die implizite kontextuelle Modellierung des ursprünglichen Entailment-Stils zu überwinden. Aufbauend auf früheren Arbeiten führen wir zudem Emotionsinformationen in die Graphen ein. Emotionsinformationen können die Erkennung von kausalen Äußerungen deutlich fördern, deren Emotion mit der gezielten Äußerung übereinstimmt. Es ist jedoch immer noch schwierig, kausale Äußerungen mit unterschiedlichen Emotionen, insbesondere neutrale Äußerungen, zu erkennen. Der Grund dafür ist, dass Modelle in der Lage sind, kausale Hinweise zu analysieren und diese zwischen den Äußerungen weiterzugeben. Um dieses Problem zu mildern, führen wir soziales Allgemeinwissen (CSK) ein und schlagen einen knowledge-enhanced conversation graph (KEC) vor. KEC verbreitet das CSK zwischen zwei Äußerungen. Da nicht alle CSK emotional geeignet für die Äußerungen sind, schlagen wir eine Strategie zur Auswahl von emotionsrealisiertem Wissen vor, um das CSK zu filtern. Um KEC zu verarbeiten, konstruieren wir ferner knowledge-enhanced directed acyclic graph networks. Die experimentellen Ergebnisse zeigen, dass unsere Methode die Baseline-Methoden übertrifft und mehr Ursachen mit unterschiedlichen Emotionen aus der gezielten Äußerung ableitet.