استخلاص تمثيلات عامة وقوية يُعدّ تحديًا رئيسيًا في التعرف على المشاعر في المحادثات (ERC). ولحل هذه المشكلة، نقترح إطار عمل يُسمى التعلم التبايني العدواني المُشرف (SACL) لتعلم تمثيلات ذات هيكل مُنتشر حسب الفئة بطريقة مُشرفة. يطبّق SACL تدريبًا عدوانيًا يراعي التباين لإنشاء أمثلة سلبية قصوى، ويستخدم التعلم التبايني المُنظم حسب الفئة لاستخلاص تمثيلات منظمة. وبهذا، يمكنه الاستفادة الفعّالة من اتساق الميزات على مستوى التصنيف، مع الحفاظ على الخصائص الدقيقة داخل الفئة. ولتجنب التأثير السلبي للتشويش العدواني على البيانات المعتمدة على السياق، نصمم استراتيجية تدريب عدواني سياقي (CAT) لاستخلاص ميزات أكثر تنوعًا من السياق وتعزيز مقاومة النموذج للسياق. ضمن هذا الإطار، نطوّر نموذج SACL-LSTM القائم على التسلسل لتعلم ميزات متسقة مع التصنيف ومقاومة للسياق في مجال ERC. أظهرت التجارب على ثلاث مجموعات بيانات أن نموذج SACL-LSTM يحقق أداءً متفوقًا على مستوى الحالة الحالية في ERC. كما أثبتت التجارب الموسعة فعالية الإطارين SACL وCAT.