La extracción de pares de emoción-causa es una tarea crucial en el procesamiento del lenguaje natural que identifica expresiones emocionales y sus causas correspondientes dentro del texto. A pesar de los avances sustanciales, la mayoría de los enfoques actuales dependen del modelado de secuencias o de mecanismos de atención estándar, que a menudo pasan por alto las complejas relaciones interoracionales y no utilizan el conocimiento causal de sentido común para mejorar los vínculos semánticos entre las cláusulas. Para abordar estas limitaciones, este artículo presenta KESIF, un nuevo modelo de extracción de pares de emoción-causa que integra la mejora del conocimiento con información semántica enriquecida para un mejor rendimiento. El modelo propuesto incorpora una red de atención gráfica para capturar las relaciones de dependencia semántica entre las oraciones, integra el conocimiento causal de sentido común de la base de datos ATOMIC para enriquecer las representaciones semánticas y utiliza un mecanismo MRC bidireccional para lograr un emparejamiento bidireccional efectivo entre emociones y causas. El rendimiento del modelo se evalúa utilizando métricas clave, como precisión, recuperación y puntuación F1. Los resultados experimentales en conjuntos de datos en chino e inglés demuestran que nuestro método supera las líneas base SOTA.