L'analyse des causes émotionnelles, dont l'objectif est d'identifier les raisons sous-jacentes aux émotions, constitue un sujet central dans l'analyse des sentiments. Récemment, divers modèles basés sur des réseaux de neurones ont été proposés ; toutefois, ces modèles antérieurs se concentrent principalement sur des architectures d'apprentissage exploitant uniquement des informations textuelles locales, tout en ignorant le contexte discursif et les connaissances a priori, qui jouent un rôle essentiel dans la compréhension humaine du texte. Dans cet article, nous proposons une nouvelle méthode pour extraire les causes émotionnelles à l’aide d’un modèle hiérarchique de réseaux de neurones et de régularisations fondées sur des connaissances, visant à intégrer des informations contextuelles discursives tout en restreignant les paramètres à l’aide d’un lexique de sentiments et de connaissances courantes. Les résultats expérimentaux montrent que la méthode proposée atteint des performances de pointe sur deux jeux de données publics, dans des langues différentes (chinois et anglais), surpassant plusieurs modèles de référence compétitifs d’au moins 2,08 % en mesure F.