تمثّل القدرة على التعرف على المشاعر في المحادثة (ERC) هدفًا رئيسيًا في تحليل حالة المُتحدث وتحديد مشاعره خلال التفاعل. تتركز الدراسات الحديثة في مجال ERC على نمذجة السياق، لكنها تتجاهل تمثيل الاتجاه العاطفي السياقي. وللتمكن من استخلاص المعلومات متعددة الوسائط والاتجاه العاطفي للعبارة بشكل فعّال، نقترح بنية جديدة تُسمى Emoformer، التي تقوم باستخلاص متجهات عاطفية متعددة الوسائط من مصادر مختلفة، ثم دمجها مع متجه الجملة لتكوين "كبسولة عاطفية". علاوةً على ذلك، صممنا نموذجًا متكاملًا من الطرف إلى الطرف يُدعى EmoCaps، والذي يستخدم البنية Emoformer لاستخراج متجهات العاطفة، ثم يستخلص نتائج تصنيف العواطف من خلال نموذج تحليل سياقي. وقد أظهرت التجارب التي أجريت على مجموعتي بيانات معياريتين أداءً أفضل من النماذج الحالية الرائدة في المجال.