Con la popularidad de las redes sociales, el análisis de opiniones en línea se está utilizando cada vez más amplia y profundamente en los estudios de gestión. Reconocer automáticamente el sentimiento de las opiniones de los usuarios es una herramienta crucial para la investigación en análisis de opiniones. Sin embargo, estudios anteriores se han centrado principalmente en escenarios o algoritmos específicos que no se pueden aplicar directamente al análisis de opiniones del mundo real. Para abordar este problema, recopilamos un nuevo conjunto de datos de opiniones de usuarios de múltiples escenarios del mundo real, como comercio electrónico, reseñas de películas y redes sociales. Debido a la heterogeneidad y complejidad de estos datos de opiniones de múltiples escenarios, proponemos un método de aprendizaje contrastivo de auto-destilación. Específicamente, utilizamos dos modelos EMA (promedio móvil exponencial) para generar etiquetas suaves como supervisión adicional. Además, introducimos el módulo de aprendizaje contrastivo supervisado prototípico para reducir la variabilidad de los datos en diferentes escenarios al agrupar representaciones de la misma clase. Nuestro método ha demostrado ser extremadamente competitivo, superando a otros métodos avanzados. Específicamente, nuestro método logra un puntaje F1 del 87.44%, superando el rendimiento de los métodos avanzados actuales en un 1.07%. Los resultados experimentales, incluidos ejemplos y análisis de visualización, demuestran aún más la superioridad de nuestro método.