由于缺乏足够的训练数据，文本共情预测的进展一直都较为缓慢；而与之相关的文本情感极性分类任务则存在大量有标签的训练样本。由于文本共情预测与文本情感极性分类两个任务间存在较大相关性，因此提出了一种基于迁移学习的文本共情预测方法，该方法可从情感极性分类任务中学习到可迁移的公共特征，并通过学习到的公共特征辅助文本共情预测任务。首先通过一个注意力机制对两个任务间的公私有特征进行动态加权融合；其次为了消除两个任务间的数据集领域差异，通过一种对抗学习策略来区分两个任务间的领域独有特征与领域公共特征；最后提出了一种Hinge?loss约束策略，使共同特征对不同的目标标签具有通用性，而私有特征对不同的目标标签具有独有性。在两个基准数据集上的实验结果表明，相较于对比的迁移学习方法，所提方法的皮尔逊相关系数（PCC）和决定系数（R2）更高，均方误差（MSE）更小，充分说明了所提方法的有效性。
