近年来，对话中的情感识别（Emotion Recognition in Conversations, ERC）因其显著的适应性而受到越来越多的关注。该任务旨在以对话整体为上下文，预测每一句话的情感标签。为了准确识别目标语句的情感，关键在于将语句的语义与其所处的上下文信息进行深度融合。近年来，众多研究致力于捕捉不同类型上下文信息作为辅助支持，并以多种方式将其整合：包括局部与全局上下文，以及通过说话人内部（intra-speaker）与跨说话人（inter-speaker）的整合机制。然而，现有研究尚未充分探讨在上下文信息融合之后，词向量表示（word representations）的累积对句子建模的影响。而事实上，词级信息对于反映说话人在对话中的情感状态同样至关重要。因此，本文致力于深入探究在多层级上下文融合的基础上，累积词向量表示对句子建模的影响。为此，我们提出了一种高效的ERC任务句子建模方法，在四个广泛使用的基准数据集——IEMOCAP、MELD、EmoryNLP和DailyDialog上均取得了具有竞争力的、达到当前最优水平的实验结果。相关源代码可通过以下链接获取：github.com/yingjie7/per_erc/tree/AccumWR。