属性级情感分析（Aspect Based Sentiment Analysis,ABSA）是情感分析领域的重要任务之一,受到了学术界和工业界的广泛关注。ABSA的目标是抽取评价属性并识别针对属性的情感倾向,在商业智能、舆情分析等场景中,能够提供更有价值的信息。与粗粒度情感分析相比,ABSA任务所需的标注成本也更加昂贵,需要同时标注出文本中所有的属性词以及对应的情感。有监督的模型需要大量有标签样本进行参数优化,高昂的标注成本限制了实际应用。在无监督领域适应场景中,目标领域没有任何有标注数据,只依赖无标签数据和源领域的训练数据,进行模型训练。面向ABSA任务的无监督领域适应方法允许使用其他领域的有标签数据进行模型训练,然后在目标领域进行属性级情感分析任务,可以有效地缓解有标签数据依赖问题。本文开展面向属性级情感分析任务的无监督领域适应研究。具体包含以下两个方面的工作:1.联合特征和样例的属性级情感分析领域适应。在先前的工作中,针对ABSA的跨领域方法都是基于传统的神经网络模型（如LSTM等）,并且都是从学习共享特征的角度减少领域差异。本工作基于BERT,从特征和样例两个层面进行跨领域属性级情感分析任务。在四个标准数据集上的实验结果表明,以Micro-F1为评价指标,取得6.92个百分点的提升。2.基于风格转换的属性级情感分析领域适应。领域适应问题的本质是数据来源不同造成的训练数据和测试数据分布不一致。本工作通过实验观察发现,在ABSA任务中,这种数据分布差异主要体现在词汇差异上,即属性词和观点词分布不一致。本文提出使用领域风格转换的思想减少领域差异。实验结果表明,利用领域风格转换生成的伪样本能够有效提升目标领域的ABSA任务。并且,结合原始样本和伪样本的多源融合的训练方式进一步提升了跨领域属性级情感分析的效果。