Motivations 随着社交媒体的普及，用户倾向于用视频来表达他们对产品的看法，因此，单单只对文本进行情感识别已经满足不了现在的智能系统，而且视频数据中可能包含更多的线索，视频中的音频数据表达的是说话者的语气，而视觉数据传递的是面部表情，这反过来有助于理解用户的情感状态。 因此作者提出了一种新的多模态情感分析方法，从音频、视觉和文本中提取不同的特征，然后分别采用特征级和决策级两种融合方式来