随着web2.0的日益发展,新领域用户自创内容(User Generated Content,UGC)的情感分类任务逐渐体现出巨大的学术意义和商业价值。针对新领域UGC缺乏标注语料导致情感分类性能差的问题,本文通过跨领域情感分类任务进行了探索和研究,提出了“共享知识学习和迁移模型(Shared Knowledge Learning and Transfer Model,SKLT)”,实验结果证明SKLT模型可以有效的提高新领域情感分类性能。在跨领域情感分类任务中,本文基于迁移学习(Transfer Learning)的方法,利用多个相关领域的已标注数据,结合改进的生成对抗网络(Generative Adversarial Net,GAN),提取出领域无关的共享情感知识,迁移应用到新领域之后,提升了新领域情感分类任务的准确率。本文主要完成了以下3个方面的工作:在SKLT模型的共享知识学习部分,本文以bi-GRU情感分类模型为基础,通过优化判别器的方法改进了“生成对抗网络GAN”,提取出了领域无关的“共享知识”,然后基于向量正交实现了冗余特征惩罚,得到了无冗余的共享知识和领域特有知识。在SKLT模型的共享知识迁移部分,本文基于迁移学习中模型迁移的方法,将源领域提取的共享知识迁移应用到了新领域,并提出了“权重裁剪迁移”思想,实现了共享知识的裁剪迁移和新领域自适应。实验结果证明,通过SKLT模型提取的共享知识,在迁移应用到新领域之后,可以有效的提升新领域情感分类任务的准确率。为了增强情感知识的可解释性,本文提出了“结合注意力机制(Attention Mechanism)的SKLT模型”,实现了“共享知识和领域特有知识的可视化”,验证了模型的有效性。同时,本文还搭建了“基于SKLT模型的情感分类原型系统”,可以应用到更多新领域的情感分类任务中。