La plupart des méthodes de reconnaissance des émotions abordent la tâche d’interprétation émotionnelle en considérant chaque émotion de manière indépendante, tout en ignorant leur nature floue et les interconnexions entre elles. Dans cet article, nous explorons comment les corrélations émotionnelles peuvent être capturées afin d’améliorer diverses tâches de classification. Nous proposons EmoGraph, une approche qui modélise les dépendances entre différentes émotions à l’aide de réseaux graphiques. Ces graphes sont construits à partir des statistiques de co-occurrence entre les différentes catégories émotionnelles. Les résultats expérimentaux sur deux jeux de données de classification multi-étiquettes montrent qu’EmoGraph surpasse les modèles de référence, notamment en termes de macro-F1. Une expérience supplémentaire démontre également que les corrélations émotionnelles capturées peuvent bénéficier à une tâche de classification à une seule étiquette.