会話における感情検出は、会話の背後にある主題トピックの特定、関連する常識知識の把握、そして感情状態間の複雑な遷移パターンの理解を要するため、困難な課題である。本論文では、上記の課題に対処するため、トピック駆動型の知識認識型Transformerモデルを提案する。まず、トピック検出に特化した追加層を備えたトピック拡張型言語モデル（LM）を設計する。次に、会話の文脈情報を基に知識ベースから抽出された常識的記述と、そのトピック拡張型LMを統合する。さらに、Transformerをベースとしたエンコーダ・デコーダアーキテクチャにより、トピック情報と常識情報が統合され、感情ラベルの時系列予測が実行される。本モデルは、会話感情検出の4つのデータセット上で実験が行われ、既存の最先端手法と比較して実証的に優れた性能を示した。定量的および定性的な評価結果から、本モデルが感情カテゴリの区別に寄与するトピックを効果的に発見できることを示している。