自Web2.0普及后,人们逐渐习惯在互联网的各种平台上分享他们的想法和情感。透过对这些媒体进行情感分析,可以得知人们对特定人事物的想法和态度。对人们的想法快速作出响应能够带来相应的商业价值和政治价值,其相关技术也因此得到了重视。文本作为社交平台上的主要媒体之一,面向文本的情感识别在近年也成为了热门的研究领域。本论文的主要内容如下:1.多分类器分层识别算法。随着现实中应用场景变得复杂,需要解决的多分类问题越来越多。当区分的类别越多,机器学习算法对数据进行拟合的难度越高,另外对识别性能的要求也变得复杂。为此,我们提出了一种多分类器分层识别算法框架,把一个多分类问题拆解成多个子分类问题的叠加,再透过逐步回答每个子问题得出识别结果。此算法框架有以下优点:首先,由于识别过程中每一步只关注一个子分类问题,整个算法的识别性能能从局部进行调整,以满足特定的性能要求;其次,算法中的每个组成部分可以分别采用不同的模型,以此结合不同模型的建模能力;最后,此算法框架与研究的媒体无关,适用于其他领域的多分类问题。本文基于国际比赛Sem Eval-2018任务三的微博反讽识别进行实验,结果显示算法超过了当时排名第一的系统,而透过对算法中间结果的分析验证了算法设计的合理性。2.结合上下文的多通道模型。在某些场景下,仅凭一段文本无法准确理解发言者想表达的意思和态度。为了处理这种情况,一些文本情感识别研究会引入上下文作为提示。为此我们提出了一种多通道模型框架,让不同部分的上下文经过不同的编码器来提取特征,再合并正文的信息得出识别结果,以此应付各部分上下文对识别目标起不同作用的情况。我们将此模型应用于面向三轮对话的情感识别,并结合前述的算法框架提出了另一个多分类器分层识别算法。在国际比赛Sem Eval-2019任务三的参赛结果显示算法达到了当时排名前?的性能,这同时验证了多分类器分层识别算法框架适用于不同的多分类问题。