감정의 원인은 감정적 대화를 이해하는 데 핵심적인 구성 요소로 작용한다. 최근 연구자들은 대화 내에서 목표 감정 발언에 대한 인과적 발언을 식별하는 새로운 과제인 인과 감정 함의(Causal Emotion Entailment, CEE)를 제안하였다. 비록 이 문제를 해결하기 위해 일부 진전을 이루었지만, 기존 연구들은 화자 특성의 충분한 반영을 놓쳤고, 대화 구조 내 시간적 관계의 영향을 간과하는 경향이 있었다. 이러한 연구 공백을 어느 정도 보완하기 위해, 본 연구에서는 다각적 강화 그래프 주의망(Multi-Perspective Enhanced Graph Attention Network, MPEG)이라는 새로운 인과 감정 함의 프레임워크를 제안한다. MPEG의 학습 과정은 세 단계로 구성된다. 첫 번째 단계에서, 화자 인지 사전 학습 모델과 두 가지 주의 메커니즘을 활용하여 지역적 맥락뿐 아니라 화자 및 감정 정보를 포함한 발언 표현을 추출한다. 두 번째 단계에서는 이러한 표현을 그래프 주의망(Graph Attention Network)에 입력하여, 지역적 및 전역적 관점에서 대화 구조와 감정 역학을 모델링한다. 마지막 단계에서는 완전 연결 네트워크를 도입하여 감정적 발언과 인과적 발언 간의 관계를 예측한다. 실험 결과, MPEG는 최신 기술 수준(SOTA)의 성능을 달성함을 확인하였다.