대화에서 감정 원인 추출(Emotion Cause Extraction in Conversations, ECEC)은 대화 내에서 감정의 원인이 포함된 발화를 추출하는 것을 목표로 합니다. 대부분의 이전 연구는 순차적 인코딩을 통해 대화 맥락을 모델링하는 데 초점을 맞추었으며, 발화 간의 유익한 상호작용과 대화 특유의 특성을 무시하였습니다. 본 논문에서는 ECEC를 처리하기 위한 발화 상호작용과 대화 특유의 특성에 있어 담론 구조의 중요성을 조사합니다. 이를 위해 우리는 이 작업을 위한 담론 인식 모델(Discourse-Aware Model, DAM)을 제안합니다. 구체적으로, 우리는 다중태스크 학습(Multi-Task Learning, MTL) 프레임워크를 사용하여 ECEC와 담론 파싱을 공동으로 모델링하고, 게이트 그래프 신경망(gated Graph Neural Network, gated GNN)을 통해 담론 구조를 명시적으로 인코딩함으로써 우리 모델에 풍부한 발화 상호작용 정보를 통합합니다. 또한, 우리는 게이트 그래프 신경망을 사용하여 대화 특유의 특성을 더욱 강화하여 ECEC 모델을 개선합니다. 벤치마크 코퍼스에서의 결과는 DAM이 문헌에 소개된 최신 기술(state-of-the-art, SOTA) 시스템들을 능가함을 보여줍니다. 이는 담론 구조가 감정적인 발화와 그에 해당하는 원인 표현 사이에 잠재적인 연결고리를 포함할 수 있음을 시사하며, 대화 특유의 특성들의 효과성을 검증하기도 합니다. 본 논문의 코드는 GitHub에서 제공될 예정입니다.