近年来随着移动互联网技术的发展和数据传输带宽不断增大,有利于信息朝多元化发展,图片、视频成为了人们之间社交信息传播的新媒介。其中短视频时间跨度短,但具有鲜明的主题信息,可以被方便地拍摄并即时分享,易广泛传播并且数量巨大。短视频平台的标签推荐任务生成的标签有助于对不同短视频的粗粒度分类,同时也有助于帮助用户浏览其更加感兴趣的内容,具有重大的研究意义。短视频标签推荐任务中本质上是从视频到文本的训练任务,视频数据的特征提取十分重要,现有的视频标签推荐模型在多模态信息融合时往往选择的模态信息不够充分,并且融合方法主要是将不同的模态信息映射到同一表示空间,融合效果和现在在其他领域中主流的Transformer多模态融合方法相比效果不佳,并且由于在社交平台中短视频里出现的人物信息较多,情感标签也较为丰富,以往模型对于具有情感属性标签预测能力通常也弱于内容描述属性的标签。针对这些的问题,提出了一种利用多模态Transformer并结合情感分析（Multimodal Transformer with Sentiment Analysis,MTSA）的短视频标签推荐模型,选取了视频中的视觉、音频和文本信息,将模型的视频特征提取分为视频内容信息提取模块和视频情感信息提取模块,其中内容信息提取模块借鉴视频描述领域中的融合方法,将Transformer中的解码器部分进行改进后,通过自注意力机制加强单一模态的特征提取,通过跨注意力机制融合不同模态之间的信息;而情感模块采用预训练模型对情感特征进行提取,通过多头注意力机制进行融合;最后得到三个模态信息的内容以及情感特征,在两个模块后加入了注意力机制,融合了内容特征、情感特征和标签信息得到权重矩阵,使得两个模块在不同的标签下进行信息融合时赋予不同的权重,并将标签推荐当成多标签分类问题。在Vine短视频数据集上进行了对比实验以及模块消融实验,改进后的融合方法同其他对比模型相比,在用于评估推荐系统的Recall@5、NDCG@5指标上有2.06%和、1.59%性能提升,短视频多模态特征融合中采用编码器结构在Recall@5、NDCG@5指标上有3.08%、2.83%的性能提升。