Исследование посвящено совершенствованию метрик релевантности эмоционального контекста в системах извлечения контекста для Retrieval-Augmented Generation. Современные подходы фокусируются на семантическом сходстве текстов, пропуская эмоциональную составляющую, когерентность, что критично для задач наиболее точного поиска в эмоционально окрашенных данных. Предложена композитная метрика, объединяющая семантическое сходство векторных эмбеддингов и эмоциональную когерентность, оцениваемую как косинусное сходство текстов. Описана методология вычисления компонент метрики и их взвешивания, на основе которой проведен ряд экспериментов с целью выяснения способности предложенной метрики находить текст более точно, чем модель, основывающаяся на поиске только семантической составляющей. Оценка эффективности проведена на сэмплированном подмножестве датасета Stanford Sentiment Treebank 2 (SST-2). Композитная метрика продемонстрировала более высокую эффективность по метрикам Precision@5, Recall@5, NDCG@5 и MAP по сравнению с методами поиска, основанными исключительно на семантической составляющей. Проведенные эксперименты показали значительный прирост метрик для позитивных и негативных запросов. Проведен дальнейший анализ влияния коэффициентов предложенной метрики. При рассмотрении полученных результатов было установлено, что учет эмоциональной когерентности необходим для достижения оптимальной производительности метрики.