La modélisation du contexte conversationnel joue un rôle fondamental dans la reconnaissance des émotions à partir des conversations (ERC). Dans cet article, nous proposons une nouvelle approche consistant à encoder les énoncés à l’aide d’un graphe orienté acyclique (DAG) afin de mieux capturer la structure intrinsèque d’une conversation, et concevons un réseau neuronal orienté acyclique, nommé DAG-ERC, pour mettre en œuvre cette idée. Dans une tentative de combiner les avantages des modèles neuronaux basés sur les graphes classiques et ceux fondés sur la récurrence, DAG-ERC offre une approche plus intuitive pour modéliser le flux d’information entre le contexte lointain d’une conversation et le contexte immédiat. Des expérimentations étendues sont menées sur quatre benchmarks ERC, en utilisant comme références des modèles d’état de l’art. Les résultats expérimentaux démontrent l’efficacité supérieure de ce nouveau modèle et confirment la pertinence de l’architecture basée sur le graphe orienté acyclique pour l’ERC.