Wir präsentieren mehrere Techniken zur Bewältigung der Diskrepanz in der Klassenverteilung zwischen Trainings- und Testdaten im Rahmen der Aufgabe „Contextual Emotion Detection“ der SemEval 2019, indem wir bestehende Ansätze zur Behandlung von Klassenungleichgewicht erweitern. Durch die Reduktion des Abstands zwischen der Verteilung der Vorhersagen und der tatsächlichen (ground truth) Verteilung zeigen diese Methoden konsistent positive Wirkungen auf die Leistung. Zudem schlagen wir eine neuartige neuronale Architektur vor, die sowohl die Repräsentation des gesamten Kontexts als auch die einzelner Äußerungen nutzt. Die Kombination der vorgeschlagenen Methoden und Modelle erreichte bei der abschließenden Bewertung einen Mikro-F1-Score von etwa 0,766.