Die aspect-basierte Sentiment-Klassifizierung zielt darauf ab, die Sentiment-Polarität eines spezifischen Ziels in dessen Kontext zu identifizieren. Frühere Ansätze haben die Bedeutung von Zielen in der Sentiment-Klassifizierung erkannt und verschiedene Methoden entwickelt, um deren Kontexte durch die Erstellung zielbezogener Darstellungen präzise zu modellieren. Diese Studien ignorieren jedoch stets das getrennte Modellieren der Ziele. In dieser Arbeit argumentieren wir, dass sowohl Ziele als auch Kontexte besondere Beachtung verdienen und ihre eigenen Darstellungen durch interaktives Lernen erworben werden müssen. Anschließend schlagen wir die interaktiven Aufmerksamkeitsnetze (IAN) vor, um interaktiv Aufmerksamkeit in den Kontexten und Zielen zu lernen und getrennte Darstellungen für Ziele und Kontexte zu generieren. Durch dieses Design kann das IAN-Modell ein Ziel und seinen kontextuellen Rahmen gut darstellen, was hilfreich für die Sentiment-Klassifizierung ist. Die experimentellen Ergebnisse auf den SemEval 2014-Datensätzen demonstrieren die Effektivität unseres Modells.