Obwohl es erhebliche Fortschritte bei der Erkennung von Emotionen in Text gibt, bleiben in der Forschung zu emotionaler Erkennung auf Satzebene (utterance-level emotion recognition, ULER) noch zahlreiche Herausforderungen ungelöst. In diesem Artikel behandeln wir einige zentrale Probleme im Bereich ULER innerhalb von Dialogsystemen: (1) Derselbe Äußerung kann je nach Kontext oder Sprecher unterschiedliche Emotionen vermitteln. (2) Die Erfassung von langreichweitigen kontextuellen Informationen ist bisher schwer umsetzbar. (3) Im Gegensatz zu klassischen Text-Klassifikationsaufgaben steht dieser Aufgabe ein begrenzter Datensatzumfang zur Verfügung, wobei die meisten verfügbaren Datensätze unzureichende Dialog- oder Sprachdaten enthalten. Um diese Probleme zu bewältigen, schlagen wir einen hierarchischen Transformer-Frame­work vor (wobei im Folgenden der Begriff „Transformer“ im Wesentlichen die Encoder-Komponente des Transformers bezeichnet). Dieser besteht aus einem unteren Transformer zur Modellierung der Wortebene und einem oberen Transformer zur Erfassung des Kontexts der Äußerungsebenen-Embeddings. Als unteren Transformer verwenden wir einen vortrainierten Sprachmodell – bidirektionale Encoder-Repräsentationen aus Transformers (BERT) –, was äquivalent dazu ist, externe Daten in das Modell einzubringen und somit das Problem der Datenknappheit teilweise zu lösen. Zudem führen wir erstmals Sprecher-Embeddings in das Modell ein, wodurch die Interaktion zwischen Sprechern erfasst werden kann. Experimente an drei Dialog-Emotions-Datensätzen – Friends, EmotionPush und EmoryNLP – zeigen, dass unsere vorgeschlagene hierarchische Transformer-Netzwerkarchitektur gegenüber den aktuellen State-of-the-Art-Methoden jeweils eine Verbesserung von 1,98 %, 2,83 % und 3,94 % in Bezug auf die Makro-F1 erreicht.