Zielgerichtete Meinungswort-Extraktion (TOWE) ist eine neue Unterabgabe der Aspect-Based Sentiment Analyse (ABSA), die darauf abzielt, die entsprechenden Meinungswörter für ein gegebenes Meinungsziel in einem Satz zu extrahieren. Kürzlich wurden neuronale Netzwerkmethoden auf diese Aufgabe angewendet und ermutigende Ergebnisse erzielt. Dennoch begrenzt die Schwierigkeit der Annotation stark die Verfügbarkeit von Datensätzen für TOWE, was wiederum die Leistungsfähigkeit neuronaler Modelle erheblich einschränkt. Im Gegensatz dazu sind umfangreiche Daten zur Bewertungsstimmungsklassifikation leicht bei Online-Bewertungsplattformen verfügbar. Diese Bewertungen enthalten substantielle latente Meinungsinformationen und semantische Muster. In dieser Arbeit schlagen wir ein neues Modell vor, das dieses Wissen über Meinungen von datenreichen Datensätzen zur Bewertungsstimmungsklassifikation auf die datenarme Aufgabe TOWE überträgt. Um die Herausforderungen des Transfers zu bewältigen, entwickeln wir eine effektive Transformationsmethode, um latente Meinungen zu gewinnen, und integrieren sie anschließend in TOWE. Ausführliche experimentelle Ergebnisse zeigen, dass unser Modell eine bessere Leistung als andere Stand-of-the-Art-Methoden erzielt und das Basismodell ohne Transfer von Meinungswissen deutlich übertreffen kann. Eine weitere Analyse bestätigt die Effektivität unseres Modells.