In diesem Paper konzentrieren wir uns auf das Ungleichgewichtsproblem, das in der Aspektbegriffsextraktion und der Aspekt-Sentiment-Klassifikation selten untersucht wird, wenn beide Aufgaben als Sequenzmarkierungsaufgaben betrachtet werden. Zudem ignorieren bisherige Ansätze häufig die Wechselwirkungen zwischen Aspektbegriffen bei der Polaritätszuordnung. Wir schlagen ein GRadient hArmonized and CascadEd labeling Modell (GRACE) vor, um diese Probleme zu lösen. Konkret wird ein kaskadenartiges Labeling-Modul entwickelt, um den Austausch zwischen Aspektbegriffen zu stärken und die Aufmerksamkeit für Sentiment-Token bei der Polaritätszuordnung zu verbessern. Die Sequenz der Polaritäten ist dabei auf die generierten Aspektbegriffslabel abgestimmt. Um das Ungleichgewichtsproblem zu mildern, erweitern wir die Gradient Harmonization-Mechanismus, der ursprünglich in der Objekterkennung eingesetzt wird, auf die aspektbasierte Sentimentanalyse, indem wir die Gewichte jedes Labels dynamisch anpassen. Das vorgeschlagene GRACE-Modell nutzt einen post-pretrainierten BERT als Grundarchitektur. Experimentelle Ergebnisse zeigen, dass das vorgeschlagene Modell eine konsistente Verbesserung auf mehreren Benchmark-Datensätzen erzielt und state-of-the-art Ergebnisse liefert.