La comunicación por computadora a través de mensajes de texto o Servicios de Redes Sociales (SNS) se ha vuelto cada vez más popular. En este momento, se están realizando muchos estudios para analizar la información u opiniones de los usuarios y reconocer emociones mediante el uso de una gran cantidad de datos. Actualmente, los métodos para el reconocimiento de emociones en diálogos requieren un análisis de palabras clave o vocabulario emocional, y los datos de diálogo se clasifican principalmente como una sola emoción. Recientemente han surgido conjuntos de datos clasificados como múltiples emociones, pero la mayoría de ellos están compuestos por conjuntos de datos en inglés. Para un reconocimiento preciso de las emociones, se requiere un método para reconocer diversas emociones en una misma oración. Además, también se necesita investigación sobre el reconocimiento de multiemociones en conjuntos de datos de diálogos en coreano. Dado que los diálogos son intercambios entre interlocutores. Los sentimientos de una persona pueden cambiar por las palabras de otros, y los sentimientos, una vez generados, pueden durar un largo período de tiempo. Las emociones se expresan no solo a través del vocabulario, sino también indirectamente a través de los diálogos. Para mejorar el rendimiento del reconocimiento de emociones, es necesario analizar la Asociación Emocional en Diálogos (EAD) para reflejar efectivamente diversos factores que inducen emociones. Por lo tanto, en este documento, proponemos un método de reconocimiento de emociones más preciso para superar las limitaciones del reconocimiento de una sola emoción. Implementamos el Reconocimiento Emocional Intrínseco (IER) para comprender el significado del diálogo y reconocer emociones complejas. Además, las conversaciones se clasifican según sus características, y se analiza la correlación entre IER para derivar la Asociación Emocional en Diálogos (EAD) y aplicarlas. Para verificar la utilidad de la técnica propuesta, se prueba y evalúa el IER aplicado con EAD. Esta evaluación determinó que el Micro-F1 del método propuesto exhibió el mejor rendimiento, con una precisión del 74.8%. El uso de IER para evaluar el EAD propuesto en este documento puede mejorar la precisión y el rendimiento del reconocimiento de emociones en diálogos.