Bestehende maschinelles Lernen erzielt nahezu menschenähnliche Leistungen bei textbasierten Klassifizierungsaufgaben. Allerdings führt die Anwesenheit multimodaler Störungen in Chat-Daten, wie Emoticons, Slang, Rechtschreibfehler, kodierungsvermischte Daten usw., dazu, dass bestehende Tiefenlern-Lösungen schlecht abschneiden. Die Unfähigkeit von Tiefenlern-Systemen, diese Kovariablen robust zu erfassen, begrenzt ihre Leistungsfähigkeit. Wir schlagen NELEC: Neural and Lexical Combiner (Neuronale und lexikalische Kombinationsmethode) vor, ein System, das textbasierte und tiefenlern-basierte Methoden für die Stimmungsanalyse elegant kombiniert. Wir evaluieren unser System im Rahmen der dritten Aufgabe des "Contextual Emotion Detection in Text" als Teil von SemEval-2019. Unser System erzielt signifikant bessere Ergebnisse als die Baseline sowie unsere Benchmarks für Tiefenlern-Modelle. Es erreichte einen mikro-gemittelten F1-Wert von 0,7765 und belegte den dritten Platz auf dem Testset-Leaderboard. Unser Code ist unter https://github.com/iamgroot42/nelec verfügbar.