Die Erkennung von Emotionen in Gesprächen (ERC) hat in letzter Zeit erhebliche Aufmerksamkeit in der NLP-Community erhalten. Einige Modelle konzentrieren sich darauf, alltagsweltliches Wissen oder Multi-Task-Learning einzusetzen, um komplexe emotionale Schlussfolgerungen zu unterstützen. Allerdings vernachlässigen diese Modelle die direkte Interaktion zwischen Äußerungen und Wissen. Zudem nutzen sie emotionen-indirekte Hilfsaufgaben, die für die ERC-Aufgabe nur begrenzte affektive Informationen liefern. Um diese Probleme anzugehen, schlagen wir ein Wissens-interaktives Netzwerk mit sentimentpolaren Intensitäts-orientiertem Multi-Task-Learning, kurz KI-Net, vor, das sowohl alltagsweltliches Wissen als auch Sentiment-Lexika nutzt, um die semantische Information zu erweitern. Konkret verwenden wir ein Selbst-Matching-Modul zur inneren Interaktion zwischen Äußerung und Wissen. Berücksichtigung der Korrelationen mit der ERC-Aufgabe wird eine phrasenbasierte Aufgabe zur Vorhersage der sentimentalen Polarkraft (SPIP) als Hilfsaufgabe eingeführt. Experimente zeigen, dass jeweils alle Module zur Wissensintegration, Selbst-Matching und SPIP die Modellleistung auf drei Datensätzen signifikant verbessern. Zudem erreicht unser KI-Net-Modell gegenüber dem Stand der Technik auf dem IEMOCAP-Datensatz eine Leistungssteigerung um 1,04 %.