L’analyse des sentiments dans les conversations a suscité un intérêt croissant ces dernières années en raison de son large éventail d’applications, telles que l’analyse des sentiments, les systèmes de recommandation ou encore l’interaction homme-robot. La principale différence entre l’analyse des sentiments dans les dialogues et celle basée sur une seule phrase réside dans la présence d’informations contextuelles qui peuvent influencer le sentiment d’un énoncé au sein d’un échange. Toutefois, comment encoder efficacement ces informations contextuelles dans les dialogues demeure un défi. Les approches existantes recourent à des architectures complexes de deep learning afin de distinguer les différents interlocuteurs dans une conversation, puis de modéliser les informations contextuelles. Dans cet article, nous proposons un cadre rapide, compact et à faible coût en paramètres, appelé unité récurrente émotionnelle bidirectionnelle, qui ignore les rôles des interlocuteurs. Dans notre système, un bloc tensoriel neuronal généralisé est suivi par un classificateur à deux canaux, conçu respectivement pour la composition contextuelle et la classification des sentiments. Des expérimentations étendues sur trois jeux de données standards montrent que notre modèle surpasser les états de l’art dans la majorité des cas.