Die Extraktion von Emotion-Ursache-Paaren zielt darauf ab, alle potenziellen Paare aus Emotionen und ihren entsprechenden Ursachen aus unannotierten emotionellen Texten zu extrahieren. Die meisten bestehenden Ansätze basieren auf einem pipelined-Framework, bei dem Emotionen und Ursachen getrennt identifiziert werden, was zu dem Nachteil der Fehlerfortpflanzung führt. Um dieses Problem anzugehen, schlagen wir ein transitionsbasiertes Modell vor, das die Aufgabe in einen Prozess der konstruktionsähnlichen Erstellung eines gerichteten Graphen transformiert. Das vorgeschlagene Modell erzeugt schrittweise einen gerichteten Graphen mit beschrifteten Kanten auf der Grundlage einer Folge von Aktionen, aus dem Emotionen gemeinsam mit ihren entsprechenden Ursachen erkannt werden können. Dadurch werden die einzelnen Teilsubtasks gemeinsam optimiert und der wechselseitige Nutzen abhängiger Aufgaben maximiert. Experimentelle Ergebnisse zeigen, dass unser Ansatz die beste Leistung erzielt und die Stand-of-the-Art-Methoden um 6,71 % (p < 0,01) im F1-Maß übertrifft.