细粒度舆情分析是情感计算、社会计算等领域中的一项重要任务，其目的是对给定推文，预测特定目标下的情感极性。当前方法，在大量标注样本场景下可以取得有效的识别性能。然而，标注足够的数据是劳动密集型的，时间、费用成本高，这对舆情分析模型推广到新领域带来了巨大的障碍。当前方法主要存在两个主要挑战：1）缺少领域不变的知识，作为领域迁移的桥梁：社交文本内容短、非正式，具有稀疏性，对领域不变信息挖掘带来了巨大的挑战；2）情感词误关注问题：缺少情感词与目标之间的深度理解，会带来误关注问题影响识别性能。

近日，我校大数据与互联网学院傅向华、张博闻课题组，提出利用域不变原语义特征的跨域细粒度情感识别方法TSPKT。该方法从外部语义词典构建一个语法图，并从中提取语义原语特征作为领域不变信息。进一步，提出AoaGraphormer网络解决误关注问题。相关实验证明，TSPKT 相对于当前最先进的对比方法取得了显著性能提升。

该研究成果近日以“Cross-Domain Aspect-based Sentiment Classification by Exploiting Domain-Invariant Semantic-primary Feature”为题在人工智能、情感计算领域顶级期刊《IEEE Transactions on Affective Computing》（Q1，IF：13.99）上发表。张博闻助理教授为第一作者，傅向华教授为共同通讯作者。

图1 TSPKT网络架构

全文链接：https://ieeexplore.ieee.org/document/10025370