随着互联网技术的快速发展,在网络上自由地发表自己的观点已经成为普遍的现象,由此产生了海量包含情感色彩的文本数据。有效地分析这些数据的情感倾向性,对信息预测、舆情监控、产品推荐等提供了重要的帮助,这使情感分析成为自然语言处理的热门研究方向。网络上不同领域的语言表达差异性较大,为每个领域手工标注足够的标签,训练情感分类器往往代价昂贵。因此,在具有丰富标签的源域数据上训练情感分类器,应用于目标域数据成为了备受关注的一项任务。本文分别针对文档级情感分类和方面级情感分类在跨领域任务上展开了研究工作。采用不同的域差异度量方式进行域适应,借助深度学习模型和Attention机制,完成领域共享特征与领域独有特征的有效提取,提高了跨领域情感分类的性能。本文的主要研究内容包括:(1)构建基于Wasserstein距离分层注意力的跨领域情感分类模型。通过分层注意力网络生成文档级特征表示;使用Wasserstein距离作为源域与目标域特征表示的差异性度量,以对抗方式最小化Wasserstein距离来提供更稳定的梯度,从而有效提取领域共享特征。构建基于嵌入增强的跨领域情感分类模型,动态地学习语境相关的词嵌入,丰富低层次的语义信息。在Amazon跨域数据集上的结果验证了模型的有效性,并且在不同的跨域对上稳定性更高。(2)建立对抗式分布对齐的方面级跨领域情感分类模型。分别学习上下文和方面词的特征表示,通过交互注意力来捕获上下文中与方面词关联程度大的特征,结合基于梯度反转层的领域分类器捕获领域共享特征。针对决策边界附近模糊特征的误分类问题,通过对抗式训练多个情感分类器,扩大决策边界,对齐特征分布。实验结果验证了模型可以有效减少模糊特征误分类问题,提高分类性能。(3)研究基于域对抗的端到端方面级跨域情感分析。针对将方面词提取与方面级情感分类结合的联合标签预测任务,构建特征分配层分别捕捉领域所独有的方面词相关表示和领域间共享的情感相关表示。领域独有特征用于辅助任务方面词边界标签的预测,领域共享特征进一步与独有特征进行交互来优化特征。实验结果表明不需要使用外部资源的辅助,模型的平均性能就达到了最优,验证了模型的有效性。