El análisis de sentimientos multimodal es un campo de investigación en crecimiento activo, donde las técnicas basadas en tensores han demostrado una gran eficiencia expresiva en investigaciones anteriores. Sin embargo, los métodos existentes de análisis de sentimientos secuenciales solo se centran en un único espacio de representación de orden fijo con un orden específico, lo que resulta en un rendimiento óptimo local del modelo de análisis de sentimientos. Además, los métodos existentes solo podían emplear una única estrategia de análisis de sentimientos en cada capa, lo que limita la capacidad de explorar propiedades de sentimientos integrales. En este trabajo, se propone por primera vez el bloque de agrupamiento tensorial polinómico de orden mixto (MOPTP) para activar de manera adaptativa las propiedades de sentimientos mucho más discriminativas entre subespacios de representación de orden mixto con órdenes variables, lo que conduce a un rendimiento óptimo relativamente global. Usando MOPTP como componente básico, establecemos además una red de fusión polinómica de orden mixto basada en árboles (TMOPFN) para explorar propiedades de sentimientos de múltiples niveles a través del procedimiento paralelo. De hecho, TMOPFN permite utilizar múltiples estrategias de análisis de sentimientos en la misma capa de red simultáneamente, lo que resulta en una mejora del poder expresivo y una gran flexibilidad del modelo. Verificamos TMOPFN en tres conjuntos de datos multimodales con varios experimentos y encontramos que puede obtener un rendimiento de vanguardia o competitivo.