随着互联网的蓬勃发展,互联网越来越成为民众表达自己利益诉求、发泄自己情感以及跟其他民众进行思维讨论碰撞的一个新平台。但由于网民素质参差不齐,热点事件到底是确有其事还是恶意炒作,这就需要分析网民的言论,识别出网络舆情中的各种角色,从而做出正确的回应。突发事件来临的时候,需要第一时间对引起的讨论进行分析和回应,人力进行全部内容的分析非常不现实,立即建立识别模型也不可行,因此需要从事先建立的模型中选择一个和突发事件最相近的模型来对舆论角色进行识别。这就需要用到本文中所提出的角色识别模型和不同领域间的模型迁移。首先,本文对异构关系数据的迁移学习界限及其在角色识别中的应用的背景和意义作了阐述,列举了相关理论的研究现状,并指出了其不符合实际应用的原因。然后在已有研究的基础上,提出了一种新的度量方法,并给出了异构关系数据的迁移学习界限的理论证明及扩展。其次,本文给出了角色识别模型的建立过程及单领域模型跨域迁移的适应性增强方法,将提出的领域距离的概念和迁移界限最优化过程直接运用到模型迁移的过程中,然后对比了不同领域间迁移的角色识别效果,以及与现有的方法做出了比较。最后,本文通过对不同网络载体进行建模,并得到不同领域间的相似性以判断是否适合迁移,同时给出了迁移之后的角色识别结果,为将来实际使用给出了一个样例。根据对实验结果的比对分析,证明了本文提出方法的有效性以及关系数据领域间模型迁移的可行性。