La reconnaissance des émotions dans les conversations (ERC) a récemment suscité un intérêt croissant au sein de la communauté du traitement automatique des langues (NLP). Certaines modèles se concentrent sur l'exploitation de connaissances courantes ou sur l'apprentissage multi-tâches afin d’aider à raisonner des émotions complexes. Toutefois, ces modèles négligent l’interaction directe entre les énoncés et les connaissances. En outre, ils utilisent des tâches auxiliaires indirectes liées aux émotions, qui fournissent une information affective limitée pour la tâche d’ERC. Pour surmonter ces limites, nous proposons un réseau interactif avec connaissance et apprentissage multi-tâches sensible à l’intensité de la polarité émotionnelle, nommé KI-Net, qui exploite à la fois des connaissances courantes et un lexique de sentiments afin d’enrichir l’information sémantique. Plus précisément, nous introduisons un module d’auto-correspondance pour favoriser l’interaction interne entre les énoncés et les connaissances. En tenant compte des corrélations avec la tâche d’ERC, nous définissons une tâche auxiliaire au niveau des phrases, appelée Prédiction de l’Intensité de la Polarité Émotionnelle (SPIP). Les expériences montrent que chaque composant — intégration des connaissances, module d’auto-correspondance et tâche SPIP — améliore indépendamment les performances du modèle sur trois jeux de données. De plus, notre modèle KI-Net obtient une amélioration de 1,04 % par rapport au modèle de l’état de l’art sur le jeu de données IEMOCAP.