Page 10 - 《软件学报》2026年第4期

赵传君 等: 基于高质量样本选择的跨领域方面级情感分析 1451

相似性. 以往的相似度衡量方法通常关注单一维度, 如语义或特征相似性. 然而跨领域的相似性并非单一的标准,
以往衡量方法难以全面反映领域间的差异.
(3) 源领域间的协同性衡量. 协同性指的是不同源领域数据在情感倾向和模式上的重合性与差异性的平衡. 重
合性有助于确保迁移模型在目标领域中能够识别到通用的情感特征, 减少因通用情感表达不一致而带来的负迁移
风险. 差异性可以增强多源领域数据组合的情感表达模式的多样性, 使模型在目标领域中表现出稳健的适应性. 以
往的样本选择方法大多只关注单源域或对多源域协同性考虑不足, 限制了模型泛化性能.
尽管跨领域 ABSA 通过迁移源领域知识为目标领域提供支持成为可行路径, 但由于不同领域间在语言表达、
情感倾向及关注重点方面存在显著差异, 直接迁移往往会引发负迁移问题, 影响模型性能. 跨领域间关注焦点和用
词习惯的差异, 导致模型在未经过筛选的数据迁移过程中容易学习到与目标任务无关甚至冲突的特征. 因此, 仅依
赖传统的迁移方法难以充分发挥源领域数据的价值. 为此, 如何从多源领域中科学筛选出兼具领域通用性与目标
领域适配性的高质量训练样本, 成为提升跨领域 ABSA 任务性能的关键. 这不仅能够缓解负迁移带来的性能瓶颈,
还能显著提升模型对目标领域情感特征的捕捉能力, 从而实现更有效的知识迁移与泛化, 正是本文开展研究的主
要动机所在.
为了解决样本选择粒度, 跨领域相似度度量以及源领域间的协同性衡量问题, 提出了一种基于高质量样本选
择的跨领域 ABSA 方法. 方法兼顾源领域与目标领域间相似性及多源领域间协同性, 设计了域间和域内两个层面
的高质量样本选择指标, 依次对多源领域数据进行领域层面和样本层面的评估和筛选. 在域间层面, 综合考虑词汇、
语义及特征设计相似度衡量, 同领域协同性共同构成域间高质量样本选择指标; 在域内层面, 从样本的领域通用性
与目标领域匹配性两个角度, 综合考虑词汇、语义及特征设计了域内高质量样本选择指标. 为了验证所提方法的
性能, 在共涵盖 6 个领域的 ABSA 数据集上, 针对方面级情感分析的 3 个子任务进行了全面实验. 结果表明, 所提
出的方法可以有效选择出多源领域中的高质量样本, 降低迁移模型在目标领域的泛化误差界, 提升了多个类别的
跨领域 ABSA 模型的性能. 本文的 4 点主要贡献如下.
(1) 针对跨领域 ABSA 任务中样本选择粒度的问题, 设计了域间高质量领域选择指标和域内高质量样本选择
指标, 分别从领域层面和样本层面筛选源领域数据, 兼顾领域通用性与目标领域适配性, 缓解负迁移风险.
(2) 为提升源目标领域间相似性计算的准确性, 引入共现图和图卷积网络, 从结构和语义双重视角提取领域特
征, 提出跨领域模式共现相似度, 全面衡量领域之间的关联性, 增强了样本选择的可靠性.
(3) 面向多源领域迁移场景, 构建了联合适应性分数指标, 综合考虑领域特征重合性与差异性, 指导多源领域
组合策略优化, 提升模型在多源复杂情境下的泛化性能.
(4) 在涵盖多个领域和 ABSA 3 个子任务的数据集上进行了大量实验, 结果表明所提方法在不同模型和任务
中均显著优于现有基线方法, 具备良好的适应性与推广价值.
本文第 1 节介绍跨领域 ABSA 及跨领域实例迁移方法的相关工作和研究现状. 第 2 节介绍本文的研究任务.
第 3 节介绍本文提出的基于高质量样本选择的跨领域 ABSA 方法. 第 4 节通过与基线系统的对比实验验证了所
提方法的有效性, 通过消融实验, 统计性分析实验以及案例分析对所提方法进行深入分析. 最后第 5 节总结全文并
对未来研究方向进行了展望.
1 相关工作

1.1 跨领域方面级情感分析

近年来, 跨领域 ABSA 已成为自然语言处理领域的重要研究方向. 该任务旨在利用源领域丰富的情感信息帮
助解决训练样本匮乏的目标领域上的 ABSA 任务, ABSA 任务主要包含 3 种子任务: 方面术语提取 (aspect term
extraction, ATE)、方面类别检测 (aspect category detection, ACD) 与方面级情感分类 (aspect-based sentiment
classification, ABSC) [10] . 现有的跨领域 ABSA 方法可以大致分为基于规则、基于传统机器学习、基于深度学习以
及基于预训练微调的跨领域 ABSA 方法 [11] .