Im Bereich der Emotionserkennung in Konversationen haben jüngste Untersuchungen Aufmerksamkeitsmechanismen genutzt, um Beziehungen zwischen Äußerungen innerhalb und zwischen Sprechern zu erforschen, um deren emotionale Interaktion zu modellieren. Allerdings bleiben Merkmale wie Persönlichkeitszüge des Sprechers bisher unerforscht und stellen Herausforderungen in Bezug auf ihre Anwendbarkeit auf andere Aufgaben oder ihre Kompatibilität mit verschiedenen Modellarchitekturen dar. Daher stellt diese Arbeit ein neues Framework namens BiosERC vor, das Sprechercharakteristika in Konversationen untersucht. Durch die Verwendung von großen Sprachmodellen (LLMs) extrahieren wir die „biografischen Informationen“ des Sprechers innerhalb einer Konversation als ergänzendes Wissen, das dem Modell zur Klassifizierung von Emotionslabels für jede Äußerung zugeführt wird. Unsere vorgeschlagene Methode erzielte stand der Technik (SOTA) übereinstimmende Ergebnisse auf drei bekannten Benchmark-Datensätzen: IEMOCAP, MELD und EmoryNLP, was die Effektivität und Generalisierbarkeit unseres Modells unterstreicht und dessen Potenzial für die Anpassung an verschiedene Konversationsanalyseaufgaben zeigt. Unser Quellcode ist unter https://github.com/yingjie7/BiosERC verfügbar.