心理咨询场景下的情感分类旨在获得咨询者话语的情感倾向，为建立心理咨询AI助手提供支持。现有的方法利用语境信息获取文本情感倾向，但未考虑对话记录中当前句与前向近邻句之间的情感传递。针对这一问题，提出一种基于交互注意力（AOA）机制的心理咨询文本情感分类模型，根据时序对历史情感词分配权重，进而提高分类准确率。利用构建的心理健康情感词典分别提取对话双方的历史情感词序列，再将当前句和历史情感词序列输入到双向长短期记忆（BiLSTM）网络获取对应的特征向量，并利用艾宾浩斯遗忘曲线对历史情感词序列分配权重。通过AOA机制获得惯性特征和交互特征，并结合文本特征输入到分类层计算情感倾向概率。在公开数据集Emotional First Aid Dataset上的实验结果表明，相较于Caps-DGCN（Capsule network and Directional Graph Convolutional Network）模型，所提模型的F1值提高了1.55%。可见，所提模型可以有效提升心理咨询文本的情感分类效果。

新词识别作为自然语言处理的基础任务之一，为构建中文词典、分析词语情感倾向等提供了支持。然而，目前的新词识别方法没有考虑针对谐音新词的识别，导致谐音新词识别的准确率不高。为了解决这一问题，提出一种基于拼音相似度的中文谐音新词发现方法，引入新旧词拼音比较来提高谐音新词识别的准确率。首先，对文本进行预处理，计算平均互信息（AMI）以判定候选词的内部结合度，并使用改进邻接熵确定候选新词的边界；然后，将保留下的词转换成发音相近的汉语拼音与中文词典中的旧词拼音进行相似度比较，并保留最相似的比较结果；最后，若比较结果超过阈值，则将结果中的新词作为谐音新词，对应的旧词即为谐音新词的原有词。在自建的微博数据集上的实验结果表明，与BNshCNs（Blended Numeric and symbolic homophony Chinese Neologisms）、依存句法与语义信息结合的相似性计算模型（DSSCNN）相比，所提方法的准确率、召回率和F1分数分别提高了0.51和5.27个百分点、2.91和6.31个百分点以及1.75和5.81个百分点。可见所提方法具有更好的中文谐音新词识别效果。