Diese Arbeit untersucht das kontinuierliche Lernen (Continual Learning, CL) für die Sentiment-Klassifikation (Sentiment Classification, SC). In diesem Rahmen lernt das CL-System sequenziell eine Folge von SC-Aufgaben schrittweise in einem neuronalen Netzwerk, wobei jede Aufgabe einen Klassifikator entwickelt, um die Stimmung von Rezensionen einer bestimmten Produktkategorie oder Domäne zu klassifizieren. Zwei zentrale Fragen ergeben sich hierbei: Kann das System das zuvor erlernte Wissen aus früheren Aufgaben auf die neue Aufgabe übertragen, um ein besseres Modell für die neue Aufgabe zu erlernen? Und kann gleichzeitig auch das alte Modell für frühere Aufgaben im Verlauf des Lernprozesses verbessert werden? Diese Arbeit stellt eine neuartige Technik namens KAN vor, um diese Ziele zu erreichen. KAN verbessert die Genauigkeit der Sentiment-Klassifikation sowohl für die neue als auch für die alten Aufgaben signifikant durch Vorwärts- und Rückwärts-Wissensübertragung. Die Wirksamkeit von KAN wird durch umfangreiche Experimente nachgewiesen.