Die aspect-basierte Sentimentanalyse erstellt eine Liste von Aspektbegriffen und den ihnen entsprechenden Sentiments für einen Satz in natürlicher Sprache. Diese Aufgabe wird in der Regel in einem Pipeline-Verfahren durchgeführt, wobei zunächst die Extraktion der Aspektbegriffe erfolgt, gefolgt von Sentimentvorhersagen bezüglich der extrahierten Aspektbegriffe. Obwohl diese Herangehensweise einfacher zu entwickeln ist, nutzt sie die gemeinsame Information aus den beiden Teilaufgaben nicht vollständig und verwendet nicht alle verfügbaren Trainingsinformationen, die hilfreich sein könnten, wie zum Beispiel ein dokumentenbezogenes annotiertes Sentiment-Korpus. In dieser Arbeit schlagen wir ein interaktives Multi-Task-Lernnetzwerk (IMN) vor, das in der Lage ist, mehrere verwandte Aufgaben gleichzeitig sowohl auf Token-Ebene als auch auf Dokumentenebene zu lernen. Im Gegensatz zu herkömmlichen Multi-Task-Lernmethoden, die auf dem Lernen gemeinsamer Merkmale für verschiedene Aufgaben basieren, führt IMN eine Nachrichtenübertragungsarchitektur ein, bei der Informationen iterativ durch einen gemeinsamen Satz latenter Variablen an verschiedene Aufgaben weitergegeben werden. Experimentelle Ergebnisse zeigen eine überlegene Leistung des vorgeschlagenen Verfahrens im Vergleich zu mehreren Baseline-Methoden auf drei Benchmark-Datensätzen.