Die aspektbasierte Sentimentanalyse (Aspect-Based Sentiment Analysis, ABSA) umfasst drei Unteraufgaben: die Extraktion aspektbezogener Begriffe, die Extraktion opinionsbezogener Begriffe sowie die Sentiment-Klassifikation auf Aspekt-Ebene. Die meisten bestehenden Studien konzentrieren sich lediglich auf eine dieser Unteraufgaben. In jüngster Zeit wurden mehrere erfolgreiche Ansätze unternommen, das vollständige ABSA-Problem mit einem einheitlichen Rahmen zu lösen. Dennoch werden die wechselseitigen Beziehungen zwischen den drei Unteraufgaben weiterhin ungenutzt gelassen. Wir argumentieren, dass diese Beziehungen kooperative Signale zwischen den verschiedenen Unteraufgaben codieren. Zum Beispiel muss bei dem opinionsbezogenen Begriff „delicious“ („lecker“) der aspektbezogene Begriff notwendigerweise „food“ („Essen“) und nicht „place“ („Ort“) sein. Um diese Beziehungen vollständig auszunutzen, schlagen wir einen Relation-aware Collaborative Learning (RACL)-Rahmen vor, der es den Unteraufgaben ermöglicht, über Mechanismen des Multi-Task-Lernens und der Relation-Propagation in einem gestapelten mehrschichtigen Netzwerk koordiniert zu arbeiten. Umfassende Experimente an drei realen Datensätzen zeigen, dass RACL die derzeit besten Methoden für die vollständige ABSA-Aufgabe signifikant übertrifft.