Prédire comment les événements suscitent des émotions chez les personnages d’une histoire est généralement considéré comme une tâche standard de classification multi-étiquettes, où les étiquettes sont habituellement traitées comme des classes anonymes à prédire. Cette approche ignore toutefois les informations potentiellement portées par les étiquettes émotionnelles elles-mêmes. Nous proposons que la sémantique des étiquettes émotionnelles puisse guider l’attention du modèle lors de la représentation de l’histoire d’entrée. Par ailleurs, nous observons que les émotions suscitées par un même événement sont souvent corrélées : un événement qui provoque la joie est peu susceptible de susciter également la tristesse. Dans ce travail, nous modélisons explicitement les classes d’étiquettes à l’aide d’embeddings d’étiquettes, et introduisons des mécanismes permettant de suivre les corrélations entre étiquettes, tant pendant l’entraînement que pendant l’inférence. Nous proposons également une nouvelle stratégie de semi-supervision qui régularise les corrélations sur les données non étiquetées. Nos évaluations empiriques montrent que la modélisation de la sémantique des étiquettes apporte des bénéfices constants, et que notre approche améliore l’état de l’art sur une tâche d’inférence émotionnelle.