Nous présentons plusieurs techniques visant à atténuer le déséquilibre des distributions de classes entre les données d’entraînement et de test dans la tâche de détection d’émotions contextuelles du SemEval 2019, en s’appuyant sur l’extension de méthodes existantes pour traiter le problème d’imbalanced class. En réduisant la distance entre la distribution des prédictions et celle des vérités terrain, ces approches montrent de manière cohérente une amélioration des performances. Par ailleurs, nous proposons une nouvelle architecture neuronale qui exploite à la fois la représentation du contexte global et celle de chaque énoncé. La combinaison de ces méthodes et de ces modèles a permis d’atteindre un score F1 micro d’environ 0,766 lors de l’évaluation finale.