本文探索对跨域情感分析任务采用对比学习方法，提出了一种修改后的对比目标，并在同一类的句子表示之间拉近，不同类的之间推远的方法，实验证明我们的模型在跨域和多域情感分析任务中都取得了最先进的性能，同时，可视化结果展示了知识转移的有效性，并通过对抗测试验证了模型的鲁棒性。

Aug, 2022

本文提出一种面向跨域情感分类问题的方法，该方法采用半监督学习的想法，联合使用熵最小化和自举集成自我训练来整合未标记的目标数据进行分类器细化。实验结果表明，该方法可以更好地利用来自目标域的未标记数据，在各种实验设置中都取得了重大改进。

Sep, 2018

本研究提出了一种基于软提示的联合学习方法，通过结合外部语言特征，实现了源域和目标域之间的不变表示，通过多个目标桥接了不同分布的方面术语，插值了一组可转移的软提示来检测目标域中的方面术语。

Mar, 2023

本文介绍了一个关于在情感分析中领域适应的研究。我们对领域相似度度量进行了广泛的研究，提出了新的表示方法、度量方法和数据选择。在推文和评论的大规模多领域适应设置中，我们评估了所提出的方法，并证明了它们一致地优于强随机和平衡的基线方法，而我们的选择策略优于实例级选择，并在大型评论语料库上获得了最佳分数。

Feb, 2017

本文研究领域适应在跨领域情感分析中的应用，提出基于背景调整的因果模型来解决领域转移问题，并在多个数据集上与现有方法进行了比较。

Feb, 2024

本研究提出了一种基于句法导向域自适应模型的新颖跨领域 ABSA 方法，该方法利用句法结构相似性构建伪训练实例，同时引入一种基于句法的 BERT 掩码语言模型以进一步捕获领域不变特征；最后，为了减轻跨领域 End2End ABSA 中的情感不一致问题，引入了基于跨度的联合方面和情感模块。在五个基准数据集上的实验结果表明，与现有模型相比，我们的模型在跨领域 End2End ABSA 任务的微 F1 指标方面始终表现出色。

Nov, 2022

通过深度对抗互学习方法，利用领域鉴别器、情感分类器、标签探针和标签鉴别器促进特征提取器学习来自源域和目标域的情感。实验结果表明，这种方法在多个公共数据集上实现了最先进的性能，证实了标签探针引导的互相学习的有效性。

Feb, 2020

本文介绍了一种自动构建领域特定知识图谱的方法，并通过将其注入到 Transformer 模型中以识别 aspect terms，提高了跨域情感分析中的性能表现。

Oct, 2022

使用神经方法进行迁移学习，将几个关键词编码为表示句子相关性的方式来区分源和目标分类任务或方面，并通过共享分类器在编码文档和标签上训练来实现转移。

Jan, 2017

通过将领域适应问题视为嵌入投影任务，我们提出了一种新的方法，该模型可以将两个单域嵌入空间投影到一个双域空间，以预测情感分类，并在 20 个来源目标域对情感分类进行领域适应实验，并在高度背离的域中表现明显优于现有技术。

Jun, 2018