Page 9 - 《软件学报》2026年第4期

1450 软件学报 2026 年第 37 卷第 4 期

5
(Key Laboratory of Computational Intelligence and Chinese Information Processing of Ministry of Education (Shanxi University), Taiyuan
030006, China)
Abstract: Cross-domain aspect-based sentiment analysis (ABSA) uses annotated samples from the source domain to help train ABSA tasks
on the target domain. However, not all samples from the source domain are suitable for transfer training, and some samples may have
negative transfer effects on the training of the transfer model, which requires sample screening. Existing cross-domain instance transfer
methods consider a one-sided transfer basis, ignoring the synergistic effect between samples and affecting cross-domain generalisation
performance. In order to solve the problems of insufficient domain-specific training samples and sample screening in cross-domain transfer
for ABSA tasks, this study proposes a cross-domain ABSA method based on high-quality sample selection by combining high-reliability
machine learning theories and domain adaptation methods in modelling with the open environment of multi-domain sentiment analysis.
First, inter-domain and intra-domain high-quality sample selection metrics are designed to filter the source domain data at the domain level
and the sample level in turn, which takes into account the advantages of the two sample selection granularities. Second, similarity metrics
between source and target domains are comprehensively designed and efficiently calculated through a graph neural network. Finally, the
scenarios of multi-source domain transfer are included in the discussion of cross-domain ABSA, and inter-domain joint adaptability scores
are designed to select the multi-source domain combinations with high inter-domain synergies by balancing the overlap and difference of
domain features. A cross-domain transfer task is designed on a benchmark dataset covering six domains, and experiments are conducted on
three sub-tasks of ABSA to validate the effectiveness of the proposed method.
Key words: cross-domain aspect-based sentiment analysis; high-quality sample selection; domain adaptation; transfer learning

随着互联网和 Facebook、Twitter、微博等社交媒体的迅猛发展, 用户可以方便地在这些平台上分享对各种产
品、服务、事件等的意见和情感. 用户生成内容 (user-generated content, UGC) 呈现爆发式增长. 这些内容具有实
时性、海量性和多样性, 包含着丰富的用户情感信息. 对这些内容进行情感分析对于了解用户需求、提升用户体
验、改进产品和服务等方面具有重要意义 [1] . 然而在许多领域, 方面级情感分析 (aspect-based sentiment analysis,
ABSA) 的训练支持样本仍然十分匮乏, 因此产生了跨领域 ABSA 任务 [2] . 为解决特定领域标注样本匮乏的问题,
需要将训练样本丰富的源领域情感知识迁移到目标领域. 然而, 针对不同领域, 用户对于情感的表达方式存在较大
差异 [3−5] . 例如, 在电商领域, 用户的观点可能包含针对更多产品特点方面的情感表达; 在服务领域, 用户观点则可
能包含更多针对服务态度等方面的情感. 这导致简单的模型套用无法达到目标领域上的性能预期, 研究人员开始
探索如何借助源领域的带标签样本集中的潜在信息来帮助训练目标领域上的 ABSA 任务.
近年来, 随着深度学习技术的快速发展, 各类深度学习模型在 ABSA 领域表现优异 [6] . 深度学习模型的迁移应
用及预训练微调模型的出现也使得跨领域 ABSA 任务的性能水平快速提升. 无论是深度学习模型的训练还是预
训练模型的微调都依赖大量的样本来学习特征与模式, 以实现精准的预测和分类 [7−9] . 而跨领域 ABSA 任务涉及
不同领域的方面级数据, 在词汇、语义等诸多方面存在显著差异. 若不加甄别地使用所有训练样本, 模型容易受到
领域差异带来的干扰, 无法有效捕捉关键情感信息. 因此, 科学合理的实例迁移方法至关重要. 一方面, 它能够筛选
出具有代表性、通用性的样本, 减少无关信息的干扰, 提升训练效率; 另一方面, 针对目标领域的特性筛选与之适
配度高的源领域样本, 能够有效缩小领域差异, 优化迁移学习的效果. 因此, 基于高质量样本选择的领域适应方法
在跨领域 ABSA 领域有很大的优势. 通过这种面向开放环境的高可信机器学习理论及建模中的领域适应方法, 能
够有效提升众多领域上跨领域 ABSA 任务的性能.
因此, 跨领域 ABSA 任务急需一种能够提升泛化性能的高质量样本选择方法, 以筛选出兼具领域通用性及目
标领域特征的高质量源领域训练数据, 从而缓解负迁移效应, 提高迁移学习的效果. 然而, 跨领域高质量数据选择
面临诸多难点, 主要体现在以下 3 个方面.
(1) 样本选择粒度问题. 在跨领域 ABSA 中, 样本选择的粒度是一个关键问题. 即样本选择应基于领域整体, 或
是具体到样本级别. 以领域为单位进行样本选择的优点在于其能够借助领域内的整体模式, 使模型在迁移时能够
更好地捕获全局情感趋势. 然而, 这种方法会引入一些不适合目标领域的样本, 从而产生负迁移. 而以样本为单位
的精细选择能够避免这种问题, 但单一的样本选择往往难以利用领域整体情感特征, 导致模型在迁移过程中无法
识别出领域的全局模式.
(2) 源领域与目标领域相似性的衡量. 要选择适合用于迁移的源领域数据, 首先需要衡量源领域与目标领域的