Page 11 - 《软件学报》2026年第4期

1452 软件学报 2026 年第 37 卷第 4 期

基于规则的跨领域 ABSA 方法主要通过人工总结和制定的情感分析规则与模式来对不同领域文本中的特定
方面进行情感分析. 早期研究者的研究聚焦于各个特定领域, 分别设计一套完备的规则集合, 并借助领域词典精准
定位方面词并判别情感类别 [12] . 例如, Jakob 等人 [13] 提出了一种基于条件随机场的方面术语提取方法 (CRF-based
approach for opinion target extraction), 首先设计了句法依赖关系链接规则, 并据此规则构建特征作为输入, 对句子
中的方面术语进行提取. Li 等人 [14] 提出了一种关系自适应引导处理 (relation adaptive guidance processing, RAP) 方
法, 用于源领域中方面与观点间句法规则的构建.
基于传统机器学习的跨领域 ABSA 方法利用带标注方面级文本数据进行模型训练, 并通过领域适应技术进
行模型迁移 [15] . 早期研究者们运用支持向量机等模型实施跨领域 ABSA 研究, 通过特征选择筛选关键特征对模型
进行训练, 并采用领域适应技术将其迁移至目标领域 [16] . 在此之后, Wang 等人 [17] 提出了一种基于渐进式机器学习
范式的 ABSA 方法, 从简单样本开始, 通过迭代因子图推理逐步标注更具挑战性的样本, 在无需人工标注的情况
下实现准确的机器标注. Pathan 等人 [18] 使用隐含狄利克雷分布主题建模方法和潜在语义分析主题建模方法提取方
面主题, 并使用多项式朴素贝叶斯方法和支持向量机模型处理 ABSC 任务.
基于深度学习的跨领域 ABSA 方法运用神经网络架构自动从大量源领域文本数据中学习文本的深层次语义
特征表示及跨领域的领域无关特征表示. 深度学习的兴起为跨领域 ABSA 提供了新思路, 特别是循环神经网络
(recurrent neural network, RNN) 及其变体成为研究的焦点. Wang 等人 [19] 提出了一种用于跨领域方面术语提取的
RNN, 通过句法关系来有效地减少词语层面的领域偏移, 并设计辅助任务来预测句法依赖树中任意两个相邻单词
之间的关系. 注意力机制的出现进一步增强了语义理解能力. Liu 等人 [20] 提出了一种基于注意力机制的情感推理
器, 为句子中的不同单词分配重要度, 设计了两种注意力机制: 内部注意力和全局注意力. Yang 等人 [21] 在利用上下
文依赖的基础上, 应用词汇嵌入来合并额外的词汇线索. 并提出了依存注意力, 来在注意力推断中捕捉单词之间的
句法依存线索. 生成对抗训练方式的出现也为跨领域 ABSA 领域提供了新的思路. Knoester 等人 [22] 通过领域对抗
训练方法扩展了用于 ABSA 的 LCR-Rot-hop++模型来实现迁移学习策略, 同时彻底摆脱了对目标领域标注样本的
依赖. Yin 等人 [23] 提出了一种基于对抗训练的生成技术, 从源领域中获取带标签样本, 并利用其生成具有方面级标
签的目标领域样本.
基于预训练微调的跨领域 ABSA 方法在海量数据上进行无监督预训练, 获取通用知识和语义表示, 并在特定
领域的少量标注数据上微调以实现模型迁移. Liu 等人 [24] 提出了一种基于 BERT 的跨领域 ABSA 算法, 该算法使
用 BERT 结构提取句子级和方面级表示向量, 通过改进的卷积神经网络提取局部特征. 使用领域对抗神经网络使
从源领域和目标领域提取的特征具有更高的相似性, 以期望分类器在源领域和目标领域都能取得良好的情感分类
效果. Zhao 等人 [25] 提出了一种基于预训练和微调策略的低资源跨领域基于方面的情感分类方法 (CDABSC).
Zhou 等人 [26] 对 ABSA 领域的大语言模型进行了全面评估, 涉及 13 个数据集、8 个 ABSA 子任务和 6 个大语言模
型, 在评估中设计了一种统一的任务表述方式, 统一了多种范式下多个 ABSA 子任务的多种大语言模型.
综上所述, 基于规则的跨领域 ABSA 方法的规则制定过程非常依赖人工, 同时所制定规则难以有效适配多个
领域, 泛化性较差; 基于传统机器学习的跨领域 ABSA 方法需要深厚的领域知识及大量实验探索来进行特征工程
的构建, 训练过程较为复杂; 无论是基于深度学习还是基于预训练微调的跨领域 ABSA 方法, 虽提升了预测准确
性, 但在模型的训练或微调过程中都在一定程度上忽略了样本选择的影响, 从而限制目标模型的性能和可解释性.
1.2 跨领域实例迁移方法
跨领域实例迁移特别是高质量样本选择是处理低资源情境下模型训练难题的有效方法之一. 目的是通过对带
标注源领域样本的情感知识进行迁移, 对标注样本匮乏的目标领域进行补充 [27] . 根据是否有新样本生成, 跨领域
实例迁移方法可以分为两种类型: 基于样本选择的跨领域实例迁移与基于样本生成的跨领域实例迁移.
基于样本选择的跨领域实例迁移方法旨在通过选择最有价值的样本进行标注和学习, 减少对大量标注数据的
依赖, 以提高学习效率和模型性能. 此类方法的主流思路是基于领域差异度量来计算源领域样本对目标领域的重
要性, 从而根据设定的度量阈值对源领域样本进行选择, 并与目标领域样本共同训练目标模型. 例如, Wu 等人 [28]
提出了一种主动样本选择方法, 通过 MMD 距离来度量源领域与目标领域之间的领域差异, 选择最具信息量的源