情绪通常被定义为个体在主观认知中,情感和行为相关的心理状态。因此情绪倾向判断是当前人工智能一个相当重要的部分。多轮对话中的情绪倾向判断在近来受到越来越多的关注,也因此成为自然语言处理相关领域比较新的一个研究方向。多轮对话在当前的各种社交媒体平台中大规模的出现,如果可以挖掘到这些对话中蕴含的情绪观点就可以分析当前热点的舆论情绪走向。此外,对话中的情绪倾向判断也可用于医疗系统作为心理分析的辅助工具。还有一个重要的应用就是在聊天机器人中,通过分析用户的情绪信息,可以辅助生成情绪相关的回答。但是多轮对话的情绪倾向判断也存在着许多的难点,诸如不同粒度情绪分类要求分类更加精准、对话上下文相关主题语义信息的挖掘、对话者情绪的延续与转换、情绪产生在上下文当中体现的原因、对话者说话习惯风格迥异等。本文研究重点是对这些难点的分析,构建合理的模型,在一定程度上解决这些问题。本文的研究内容主要归纳为以下三点:(1)基于机器学习的对话文本情绪倾向分析。本文选取了机器学习模型中了几个不同的分类器,针对文本当中情绪相关的影响因子,提取了文本特征、情绪特征、词汇特征等特征。采取特征选取和特征组合的方式进行实验,分析了不同特征对于情绪倾向判断的影响。(2)基于深度学习的多轮对话情绪倾向判断。将多轮对话的情绪倾向识别分成单轮对话的情绪语义编码和多轮对话中的上下文提取。分别采取了循环神经网络(RNN),卷积神经网络(CNN)和Transformer结合注意力机制对文本语义提取编码进行研究。在上下文信息提取的部分,利用了三个不同的协作部分对于上下文信息当中的情绪连贯与转换、说话者风格状态及深层语义信息等进行提取。(3)基于预训练和迁移学习的情绪倾向识别。通过在其它大规模语料上训练上下文相关的词向量表示、emoji的向量表示、情绪向量表示,弥补了对话语料不充分不能够完全捕获这些信息的缺点。也通过迁移学习的方式,在其它语料上学习文本的情绪语义表征,使得目标任务中多轮对话当中的情绪语义挖掘能够更快更好的收敛完成。