تمثّل عملية تمييز المشاعر (ER) مهمة مهمة في معالجة اللغة الطبيعية (NLP)، نظرًا لأثرها الكبير في التطبيقات الواقعية التي تمتد من الصحة والرفاهية إلى تحليل الكاتب وتحليل المستهلك والأمن. تُصنف النماذج الحالية لتمييز المشاعر عادةً المشاعر بشكل منفصل، دون أخذ بعين الاعتبار أن المشاعر يمكن أن توجد معًا في نفس الوقت. ونتيجة لذلك، تتجاهل هذه النماذج الاحتمالات المحتملة للغموض الناتج عن تداخل أكثر من مشاعر. نقترح نموذجًا جديدًا يُسمّى "SpanEmo"، الذي يُعيد صياغة تصنيف المشاعر متعددة العلامات إلى مشكلة تنبؤ بالفواصل (span-prediction)، مما يساعد نماذج تمييز المشاعر على تعلّم الارتباطات بين العلامات والكلمات داخل الجملة. علاوةً على ذلك، نقدّم دالة خسارة مصممة خصيصًا لتمثيل المشاعر المتعددة التي تتعايش في الجملة المدخلة. أظهرت التجارب التي أُجريت على مجموعة بيانات مشاعر متعددة العلامات من مسابقة SemEval2018، باستخدام ثلاث لغات (أي الإنجليزية والعربية والإسبانية)، فعالية طريقة العمل المقترحة. وأخيرًا، نقدّم تحليلات مختلفة تُبيّن فوائد طريقة العمل في تحسين أداء النموذج وتعلم ارتباطات ذات معنى بين فئات المشاعر والكلمات داخل الجملة.