Einheitliche Meinungsrolle-Labeling (ORL) zielt darauf ab, alle möglichen Meinungsstrukturen des Typs „Meinungsträger-Ziel“ in einem Schritt zu erkennen, wenn ein Text gegeben ist. Die bestehende transitive einheitliche Methode hat jedoch Schwierigkeiten mit längeren Meinungstermen und kann das Problem der Überlappung von Begriffen nicht lösen. Derzeit wurden die besten Ergebnisse durch die Verwendung eines auf Spannen basierenden Graphenmodells erzielt, das jedoch weiterhin unter hoher Modellkomplexität und unzureichender Interaktion zwischen Meinungen und Rollen leidet. In dieser Arbeit untersuchen wir eine neue Lösung, indem wir die transitive Architektur überarbeiten und sie mit einem Pointer Network (PointNet) erweitern. Das Framework analysiert alle Meinungsstrukturen in linearer Komplexität, während es gleichzeitig durch PointNet die Beschränkung der Länge von Begriffen überwindet. Um explizite Interaktionen zwischen Meinungen und Rollen zu erreichen, schlagen wir ferner einen einheitlichen Abhängigkeits- und Meinungsgraphen (UDOG) vor, der die syntaktische Abhängigkeitsstruktur und die partielle Meinungsrollenstruktur gemeinsam modelliert. Wir entwickeln dann einen beziehungsorientierten Graph-Aggregator (RCGA), um den multi-relationären UDOG zu kodieren, wobei die resultierenden höherstufigen Repräsentationen verwendet werden, um die Vorhersagen im ursprünglichen transitiven System zu verbessern. Unser Modell erzielt neue Standartwerte auf dem MPQA-Benchmark. Analysen zeigen zudem die Überlegenheit unserer Methoden hinsichtlich Effizienz und Effektivität.