情感分析是指挖掘文本中人们对某一实体的观点、情感、情绪、态度等。跨领域情感分析是指利用源域的有标签数据作为训练集,协助训练目标域的情感分析模型,并在目标域的数据上测试。当需要训练一个全新领域的情感分类器时,标注数据往往是成本最高的一部分,限制了着整个模型的开发流程。使用跨领域情感分析方法,能够使用目前已有的其他领域标注数据,训练全新领域上的情感分类器,大大减小了标注成本和开发时间。注意力机制能够帮助模型获得到更好的文本语义表示,且运算简便快捷。将注意力机制添加到跨领域情感分析任务中,能够促使模型获取到更加准确的文本语义表示,从而更好的对齐源域特征和目标域特征,达到更好的迁移效果。本文首先提出基于跨领域注意力机制的层次注意力迁移网络,解决了现有方法中对所有数据无区分对待,无法强化训练领域特有数据的缺点。跨领域注意力机制根据数据特点,给予每条数据不同的损失权重,对于领域特有数据,给予较大的权重,对于非领域特有数据,给予较小的权重,从而对源域中的特有数据进行强化训练,着重学习特有数据中的特征对情感分析的影响。实验表明,基于跨领域注意力机制的层次注意力迁移网络在20个迁移任务中的17个任务上超过了层次注意力迁移网络,平均准确率提升约为0.53%。本文又提出基于注意力机制预训练语言模型的迁移网络,解决了现有方法中单词在不同领域中使用唯一的语义表示的缺点。本文采用BERT预训练语言模型作为基模型,利用BERT模型中的注意力机制和结合上下文的表示方法,根据不同语境,给予同一个单词不同的语义表示,获取到更加准确的文本语义表示。同时结合伪标签迁移方法实现跨领域情感分析。实验表明,基于注意力机制预训练语言模的迁移网络在20个迁移任务中全部超过了层次注意力迁移网络和基于跨领域注意力机制的层次注意力迁移网络,平均准确率提升分别为6.37%和5.84%。除此之外,本文在基于注意力机制预训练语言模型的迁移网络的基础上探索了扩大源域个数会对跨领域情感分析造成什么影响,并提出基于注意力机制预训练语言模型的多源域迁移网络,将源域个数从1个扩大为4个。实验表明,基于注意力机制预训练语言模型的多源域迁移网络性能要优于基于注意力机制预训练语言模型的迁移网络,平均准确率提升为2.16%。