La reconnaissance des émotions dans les conversations (ERC) suscite un intérêt croissant ces dernières années, en raison de ses nombreuses applications, telles que l’analyse du service client ou les consultations en santé. Un défi majeur de l’ERC réside dans le fait que les émotions des utilisateurs peuvent évoluer sous l’influence des émotions des autres participants. Autrement dit, les émotions se propagent au sein des interactions conversationnelles. Toutefois, cet effet de propagation des émotions au cours d’une conversation est peu abordé dans les travaux existants. A cet effet, nous proposons EmotionFlow, un modèle d’ERC prenant en compte la propagation des émotions entre les participants au cours d’une conversation. EmotionFlow encode d’abord les interventions des utilisateurs en combinant le contexte avec une question auxiliaire, ce qui permet d’apprendre des caractéristiques spécifiques à chaque utilisateur. Ensuite, un champ aléatoire conditionnel est utilisé pour capturer les informations séquentielles au niveau émotionnel. Nous menons des expériences approfondies sur un jeu de données public, le Multimodal EmotionLines Dataset (MELD), et les résultats démontrent l’efficacité de notre modèle proposé.