随着深度学习模型在情感分析领域的广泛应用，其“黑盒”特性导致的预测过程不透明、关键决策因素难以追溯等问题严重影响了模型可信度与实际落地应用。因此，本文提出的基于主动学习的无偏TransSHAP解释模型(An Active Learning-based Unbiased TransSHAP Explanation Model，ALU-TransSHAP)，通过主动学习背景选择模块筛选高熵样本，降低背景数据分布偏差；改进 TransSHAP适配层构建短句-子词双向映射，实现语义单元与解释单元对齐；设计无偏Shapley值计算引擎，结合配对采样提升归因准确性与稳定性。在Weibo热门专业评价数据集和SENTI_RATIONALE数据集上的实验表明，ALU-TransSHAP在忠实度(0.89/0.87)、稳定性(0.92/0.88)及预测变化(0.83/0.92)指标上显著优于基线模型，稀疏性(0.209/0.211)和计算效率(2.5/2.7)保持在可接受范围。因此该模型能有效克服中文语境下Transformer模型的解释难题，完整保留语义逻辑，为情感分析提供可靠的可解释性支持，显著提升模型决策的透明度与可信度。