Como uno de las aplicaciones más utilizadas en la adaptación de dominio (DA), el análisis de sentimientos entre dominios (CDSA) tiene como objetivo abordar la barrera de la falta de datos etiquetados con sentimientos. Aplicar una red adversaria a DA para reducir la discrepancia de distribución entre los dominios fuente y objetivo es un avance significativo en CDSA. Este paradigma de DA adversario utiliza un discriminador de dominio global único o una serie de discriminadores de dominio local para reducir las discrepancias de distribución de probabilidad marginal o condicional. En general, cada discrepancia tiene un efecto diferente en la adaptación de dominio. Sin embargo, los algoritmos CDSA existentes ignoran este punto. Por lo tanto, en este artículo, proponemos un paradigma de aprendizaje adversario DA global-local dinámico, efectivo, novedoso y no supervisado (). Este paradigma es capaz de evaluar cuantitativamente los pesos de la distribución global y de cada distribución local. También estudiamos cómo aplicarlo a CDSA. Dado que GLDAL puede reducir efectivamente la discrepancia de distribución entre los dominios, se desempeña bien en una serie de experimentos de CDSA y logra mejoras en la precisión de clasificación en comparación con métodos similares. La efectividad de cada componente se demuestra a través de experimentos de ablación en diferentes partes y un análisis cuantitativo del factor dinámico. En general, este enfoque logra el efecto DA deseado con cambios de dominio.