基于传统学习方法的情感分类是以大量标签数据为基础的,因此利用标签样本充足的相关源领域去帮助标签数据不足的目标领域进行的跨领域情感分析、成为克服标签样本不足的一个可行方法。然而,情感分类往往与所涉及的主题和领域密切相关,因此一个领域的标签数据并不能简单地复制到另一个领域中。深度学习因其可以尽量避免特征工程的影响,尤其卷积神经网络(Convolutional Neural Networks,CNN)还具有良好的自适应性、容错性和自学习能力等优势,已经成功地应用到自然语言处理等很多领域中。本文面向跨领域情感分析,基于CNN研究领域间语义距离的缩小方法和领域间情感知识的迁移方法,具体工作主要包括以下两个方面的内容。(1)提出基于领域共享特征的跨领域情感分析方法。首先量化词项的情感极性、基于词向量度量词项的领域语义一致性,并在此基础上选择情感强烈且语义一致的词项作为领域间的共享特征,改进共享特征的选择方法;其次,基于共享特征扩展文本特征增强文本的情感语义,并完成跨领域情感分析。在Amazon产品评论数据集上的实验结果表明基于共享词的跨领域情感分析方法是有效的。(2)提出基于领域专有特征的跨领域情感分析方法。首先,基于词向量和修改后的互信息选取高质量的领域专有特征;基于所选领域专有特征的词向量和CNN模型完成跨领域情感分析任务。最后,基于Amazon产品评论数据集设计并进行一系列实验,同时对实验结果进行了分析。实验结果表明领域专有特征和CNN相结合的方法可以提高跨领域情感倾向的预测性能。