Page 24 - 《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 1465

以向 S 领域迁移的跨领域 ABSC 任务为例, 表 10 中展示了 w/o C 方法与完整的 HQSS-CDABSA 方法计算得
Q inter 值. 图 5 中展示了在表 10 Q inter 值条件下选择各源领域组合的概率. 源领域组合的
到的不同源领域组合的 的
被选择概率定义为在相同目标领域条件下, 该源领域组合的 Q inter 值与所有源领域组合中 Q inter 最大值的比值.

表 10 以 S 领域为目标领域时各源领域组合在不同方法下计算所得 Q inter 值

方法 D+L+R D+R D+L L+R
HQSS-CDABSA 10.37 10.86 9.81 10.44
w/o C 8.87 8.97 9.07 8.58

1.0 1.00 1.00 HQSS-CDABSA
w/o C
0.8 0.79
被选择概率 0.6 0.53 0.59 0.60

0.4
0.2
0 0
0
D+L+R D+R D+L L+R
源领域组合
图 5 HQSS-CDABSA 及 w/o C 方法下各源领域组合被选择概率

表 10 的实验结果表明, HQSS-CDABSA 方法与 w/o C 方法在计算源领域组合的域间高质量样本选择指标
Q inter 值时存在显著差异. 具体来说, HQSS-CDABSA 方法下 D+L+R、D+R、D+L、L+R 这 4 个源领域组合的
Q inter 值分别为 10.37、10.86、9.81、10.44, 而 w/o C 方法下对应的 Q inter 值分别为 8.87、8.97、9.07、8.58. 两种方法下 Q inter
值的最高值分别出现在 D+R 组合与 D+L 组合.
结合图 5 所示的源领域组合被选择概率, HQSS-CDABSA 方法下 D+R 组合的被选择概率为 1.00, 分别比
D+L+R、D+L、L+R 的组合高出 0.47、1.0、0.4. 结合第 4.6 节所得“4 种源领域组合中 D+R 组合更适合向 S 领域
进行迁移训练”的结论, 验证了 HQSS-CDABSA 方法在领域间高质量样本选择过程中的有效性. 相比之下, w/o C
方法移除了多源领域间的联合适应性分数, 其领域间高质量样本选择过程仅依靠跨领域模式共现相似度来进行筛
选. 由于 D 领域与 L 领域在主题上最为接近, 因此 w/o C 方法下的最优源领域组合为 D+L 组合, 被选择概率为
1.0, 而真正的最优源领域组合 D+R 的被选择概率则为 0.79. w/o C 方法对最优源领域组合的误选进一步验证了在
HQSS-CDABSA 方法中, 考虑领域间协同效应而加入联合适应性分数的有效性.
以 Att-LSTM 模型为例, 表 11 中展示了分别在 w/o Gen 方法、w/o Dis 方法及 HQSS-CDABSA 方法筛选的样
本上训练得到的 Att-LSTM 模型在不同的单源跨领域 ABSC 任务上的 F1 值.

表 11 HQSS-CDABSA 及其变体下 Att-LSTM 在各任务上的 F1 值效果对比 (%)

方法 D→R D→S L→R L→S R→D R→L R→S S→D S→L S→R Avg
w/o Gen 38.24 8.29 31.64 6.08 31.87 35.41 11.37 27.44 33.58 22.75 24.67
w/o Dis 36.11 7.12 29.81 7.15 30.68 35.48 10.41 27.01 31.28 23.07 23.81
HQSS-CDABSA 41.55 12.68 39.66 10.55 42.44 41.16 17.39 39.30 42.19 31.76 31.87

表 11 的实验结果表明, 两种变体与完整的 HQSS-CDABSA 方法相比, 平均 F1 值均有不同程度的下降, 证明
HQSS-CDABSA 方法的域内高质量样本选择指标 Q intra 的各部分对模型性能的提升均有积极作用. 具体来说, w/o
Gen、w/o Dis 两种变体方法的平均 F1 值与完整的 HQSS-CDABSA 方法相比分别下降了 7.20% 和 8.06%, 在各迁
移任务上也显现出了同样的趋势. 其中 w/o Dis 方法的性能损失最大, 说明在 HQSS-CDABSA 方法的域内高质量

样本选择指标 Q intra 中, 方面级距离度量 Dis asp 对领域内高质量样本选择过程的贡献最大, 起着最重要的指导作用;
同时 w/o Gen 方法性能的下降也证明了在域内高质量样本选择指标 Q intra 中引入领域通用性分数 Gen 的有效性.