Die derzeitigen Ansätze zur Aspektextraktion leiden unter Grenzfehlern. Im Allgemeinen führen diese Fehler zu einer relativ geringen Differenz zwischen den extrahierten Aspekten und der Ground-Truth. Dennoch beeinträchtigen sie die Leistung erheblich. In diesem Paper schlagen wir vor, ein Pointer-Netzwerk zur Nachjustierung der Grenzen einzusetzen. Dabei wird ein Recycling-Mechanismus verwendet, der es ermöglicht, Trainingsdaten ohne manuelle Intervention zu sammeln. Wir führen Experimente auf den Benchmark-Datensätzen SE14 (Laptop) und SE14-16 (Restaurant) durch. Die experimentellen Ergebnisse zeigen, dass unsere Methode im Vergleich zur Basislinie erhebliche Verbesserungen erzielt und state-of-the-art-Methoden übertrifft.