随着算力的提升与数据的积累,深度学习算法得到了飞速的发展,基于汉语的解释性意见挖掘方法也得到了大量的关注。传统的解释性意见挖掘方法往往依赖于所在领域的大量有标记数据,然而制作一份高质量大规模的数据所需要的时间、人力等成本过高。因此,本文在手机(目标领域)和酒店(源领域)两个垂直领域的在线评论数据上构造了一份高质量的迁移学习数据,并基于这份数据探索基于迁移学习的跨领域解释性意见挖掘方法研究,具体包括以下三个方面:(1)基于迁移学习的跨领域汉语解释性意见要素识别方法研究。本文首先探索意见要素识别的问题,其主要目的是识别出在线评论序列中的属性实体、对属性的评价以及产生该评价的解释性意见。解决该任务的基线模型是Bi-LSTM CRF有监督学习方法,并只使用小规模的目标领域有标记数据。在此基础上,本文利用大规模的源领域有标记数据学习不变特征,使用微调的深度迁移方法来学习目标领域的结构性特征,具体实现方法是选择不同神经网络层次结构来进行微调,并取得了更好的效果。(2)基于迁移学习的跨领域汉语解释性意见解释分类方法研究。在电商平台的在线评论数据中,用户对属性的情感倾向以及评价往往是有解释性的,本文根据解释的表达特点与逻辑关系将意见解释分为原因,建议和条件三个类别。解释性意见解释分类任务的基线方法同样采用基于注意力机制的有监督学习方法,并仅仅使用小规模的目标领域有标记数据,然后根据关键词特征尝试基于DANN的无监督学习方法与基于语料增强的Tri-training的半监督学习方法。实验证明,两种方法都取得了一定的效果。(3)基于迁移学习的跨领域汉语解释性细粒度情感分析方法研究。分析产品属性的情感倾向往往最能反映一个产品的受众情况。属性实体的情感倾向一般由上下文中相关的评价决定,因此本文使用注意力机制来结合上下文与属性实体的关系,并作为基线模型。同样,现有的迁移学习方法往往关注与学习领域不变特征,忽略了领域特有特征。在此基础上,本文提出基于领域特有情感词注意力模型的半监督学习方法。实验证明,该方法明显优于其他对比方法。