对话情感分析通过理解用户情感为对话系统例如智能问答、智能客服的发展带来指导作用,如果对话系统理解用户情感,就能引导接下来的工作,更好的和用户进行互动。对话问答、智能客服这些带有交互的系统可以部署在设备端全天候自动化运行,极大解放了人类工作量,可以说对话情感分析有着很广大的发展前景。整体化对话情感分析和序列化对话情感分析作为对话情感分析的两个子任务,能够帮助用户从对话语料中快速得到相应的情感标签。在对话情感分析任务中,语义交互和情感推理是重要的研究方向,语义交互体现了对话句子的信息提取,情感推理体现了情感标签的信息关联。本文针对对话交互数据存在的表示性、交互性、小样性、推理性等特点,结合量子表示理论和概率图模型推理理论开展对话情感分析的语义交互和情感推理研究。具体地,本文完成了如下两个子任务四个方面的创新性工作:在整体化对话情感分析任务中,针对对话句子内部语义交互存在的表示性问题和对话句子间语义交互存在的交互性问题,提出了类量子分层注意力网络。句子语义交互采用基于静态密度矩阵的表示方法,通过二元组来建模句子内部的单词实体之间的交互联系。通过句子语义交互就丰富了对话句子表示的语义信息量。句子间语义交互采用基于动态密度矩阵的注意力方法得到各个对话句子的注意力分布来建模对话句子之间的语义交互。通过句子间语义交互就合理的得到了整体的对话表示。在序列化对话情感分析任务中,针对局部情感推理存在的推理性问题和全局情感推理存在的小样性问题,提出了基于概率图模型的分级情感推理网络。局部情感推理,针对的相邻对话句子,采用耦合隐马尔可夫模型的有监督学习,用统计方法学习到的交互矩阵用于LSTM当前输出门更新。全局情感推理,针对的对话句子序列,采用概率图模型例如最大熵模型、双向最大熵模型和条件随机场,根据发射矩阵和转移矩阵来确定符合语法规则的对话情感序列。通过概率图模型自动学习到的语法规则包括,局部的语法规则,例如对话人上一轮情感和本轮情感的影响、其他对话人本轮情感对当前对话人本轮情感的影响,全局的语法规则,例如全部对话人情感序列之间的影响。