会话中的情感识别在意见挖掘,人力资源,医疗保健等不同的领域逐渐得到了广泛的应用,对于许多人工智能相关的应用来说,是不可或缺的一部分。通过分析会话中的文本识别出会话中每一句话语的情感,依据不同的情感状态做出适当的反馈,可以让机器智能来帮助人类更好的进行工作,对于各领域的信息化发展与智能化发展有着深远的影响和积极意义。虽然目前的会话情感识别方法已经取得极佳的效果,然而,现有的方法无法很好的整合文本情感信息,在特征提取方面的能力略显不足,无法真正的理解会话当中的情感。此外在对情感标签进行输出时,现有的方法大多忽略了会话情感序列的内在联系。在会话情感识别模型当中,建立合适的语境特征对于最终的结果至关重要。为了整合更多的会话语境信息,本文提出了一种构建上下文语境特征的融合模型,尝试更好的分析会话中的情感特征。首先利用Ro BERTa模型对文本进行编码表示,之后通过一个全局门控循环单元网络模型进行初步的特征提取,建立上下文的语境特征表示,接着通过拼接语境特征向量构建一个整体的特征表示模块,同时使用注意力机制构建更加深层的语境特征。最后将两种特征进行拼接输出,输入到分类神经网络当中,输出最终的情感类别。我们在两个公开的数据集IEMOC AP和MELD当中评估了模型的预测效果,通过构建更加多样的语境特征进行融合,有助于更好的进行情感预测,实现性能的提升。在会话情感识别领域当中,目前相关的研究工作很少考虑情感序列之间的内在联系,而这种内在联系对于预测情感也是十分重要的。在实现会话情感的类别输出之后,通过分析会话情感,发现相邻会话的情感类别极性趋向于一致。为了进一步探索会话情感之间的关系,本文尝试采用两种不同的方法进行探索验证。第一种方法是通过条件随机场模型进行建模,利用条件随机场的转移矩阵建模会话情感的转移。第二种方法是利用多任务学习的方式来进行建模,将模型的主任务设置为情感识别,辅助任务用来判别输出的情感倾向一致性。利用上述两种方式对情感转移的一致性进行了尝试,为未来的研究提供了一定的基础。本研究针对于人工智能应用当中的会话情感识别需求。通过构建更加丰富的语境特征提取模型,之后建模情感序列之间的关系。在两个公开的数据集当中对模型性能进行评估,与最先进的研究进行实验对比,结果表明,我们最终的模型在IEMOCAP和MELD数据集上的F1值分别提升了2.71%和1.68%。