Les méthodes de réseaux de neurones ont connu un grand succès dans la classification de l'opinion des avis. Récemment, certaines études ont amélioré les résultats en intégrant les informations sur l'utilisateur et le produit pour générer une représentation d'avis. Cependant, dans les avis, nous observons que certains mots ou phrases montrent une forte préférence de l'utilisateur, tandis que d'autres tendent à indiquer les caractéristiques du produit. Ces deux types d'informations jouent des rôles différents dans la détermination de l'étiquette de sentiment d'un avis. Par conséquent, il n'est pas raisonnable de coder ensemble les informations sur l'utilisateur et le produit dans une seule représentation. Dans cet article, nous proposons un cadre novateur pour encoder séparément les informations sur l'utilisateur et le produit. Premièrement, nous appliquons deux réseaux neuronaux hiérarchiques distincts pour générer deux représentations : une avec une attention portée à l'utilisateur et l'autre avec une attention portée au produit. Ensuite, nous concevons une stratégie combinée pour tirer pleinement parti des deux représentations lors de l'entraînement et de la prédiction finale. Les résultats expérimentaux montrent que notre modèle dépasse nettement les autres méthodes de pointe sur les ensembles de données IMDB et Yelp. Grâce à la visualisation de l'attention portée aux mots liés à l'utilisateur ou au produit, nous validons notre observation mentionnée ci-dessus.