La classification de sentiments au niveau des aspects vise à identifier la polarité émotionnelle d'une cible spécifique dans son contexte. Les approches précédentes ont reconnu l'importance des cibles dans la classification de sentiments et ont développé diverses méthodes visant à modéliser précisément leurs contextes en générant des représentations spécifiques aux cibles. Cependant, ces études négligent souvent la modélisation séparée des cibles. Dans cet article, nous soutenons que les cibles et les contextes méritent tous deux un traitement particulier et nécessitent d'apprendre leurs propres représentations par le biais d'un apprentissage interactif. Nous proposons ensuite les réseaux d'attention interactifs (IAN) pour apprendre de manière interactive les attentions dans les contextes et les cibles, et générer des représentations pour les cibles et les contextes séparément. Grâce à cette conception, le modèle IAN peut bien représenter une cible et son contexte associé, ce qui est utile pour la classification de sentiments. Les résultats expérimentaux sur les ensembles de données SemEval 2014 démontrent l'efficacité de notre modèle.