El análisis de sentimiento implícito (ISA) se puede distinguir del análisis de sentimiento de texto tradicional por el hecho de que no se basa en palabras emocionales como pistas emocionales, y la expresión suele ser más vaga. Identificar emociones implícitas es más difícil, ya que requiere una comprensión más profunda del contexto, incluso cuando faltan palabras emocionales. Los investigadores se han centrado en la modelización de características de contexto y en el desarrollo de mecanismos sofisticados de extracción de características en lugar de partir desde la perspectiva emocional. Mejorar la diferencia en las características emocionales de las muestras de texto es un método intuitivo para abordar este desafío. Propusimos un método de aprendizaje contrastivo supervisado (SCL) durante el entrenamiento que permite que el modelo realice un aprendizaje contrastivo basado en etiquetas emocionales incluso al entrenar con características de emoción débiles. El entrenamiento SCL puede fortalecer la distancia de incrustación promedio entre textos con diferentes etiquetas emocionales y mejorar la discriminación de emociones implícitas. Además, la investigación indica que la información contextual puede mejorar la capacidad de clasificación de emociones implícitas. Por lo tanto, aplicamos un método de fusión de características de contexto directo (bi-afín) sobre un enfoque de modelado de características de contexto más complicado. Para evaluar la efectividad de nuestro método propuesto, realizamos experimentos en el conjunto de datos SMP2019-ECISA (análisis de sentimiento implícito chino). Los resultados muestran un aumento del 2,13% en el valor F1 en comparación con la línea de base de BERT, demostrando la efectividad de nuestros métodos.