随着互联网的高速发展,社交网络、电子商务逐渐成为生活中重要的一部分。对产品评论、商品评价等文本数据进行情感极性分析,有助于了解用户情感倾向,具有重要的意义。因而,针对产品评论的极性分析逐步成为新的研究热点。目前产品评论中的语料所涉及的领域和范围十分广泛,领域的标签数据获取较为困难,为新领域手工标记足够的样本数据是费时且费力的;用户评价所用的评语存在着不同,易造成领域间特征的分布差异,导致标记数据领域中训练好的情感分类模型在新的领域中性能较差,难以获得理想的分类效果。为了提高面向产品评论的跨领域情感分类方法的准确率,本文主要为不同领域的样本数据构建相同的特征空间,来解决不同领域间特征分布不同的问题,减少领域间的域间差异,完成跨领域情感分类任务。本文主要开展了以下两个方面的研究工作:1、提出了一种改进枢轴特征选择的跨领域情感分类模型。该模型充分利用词形还原和卡方检验特征提取算法选取领域间有着相同表征的枢轴特征,并将选取出的枢轴特征作为沟通不同领域间的桥梁,通过神经网络将领域间的非枢轴特征和枢轴关联起来,将领域间的特征映射到低维度、共享的特征空间中去,减少领域间的域间差。在亚马逊公开数据集的实验中,与基线模型相比,本文所提出的模型是有效的。2、在改进枢轴特征选择的跨领域情感分类模型基础上,提出了一种基于融合词性向量和注意力机制的跨领域情感分类模型。在基于改进枢轴特征选择算法取出枢轴特征后,特征表示阶段中,融合包含语义的词向量以及包含词性的词性向量,作为特征的向量表现。在特征映射阶段,通过长短期记忆神经网络中已有的序列来预测当前特征是否为枢轴特征,更好的得到非枢轴特征和枢轴特征之间的映射关系,实现将领域间的特征映射到低维度、共享的特征空间中的目的。并且在情感分类器构建阶段,基于映射特征,结合多头注意力机制训练情感分类器,实现更好的分类性能,达到更高的分类准确率。在亚马逊公开数据集上的实验表明,本文所提出的基于融合特征和注意力机制模型有效的提高了在目标域情感分类准确率。