L'analyse de sentiment basée sur les aspects produit une liste de termes d'aspects et de leurs sentiments correspondants pour une phrase en langage naturel. Cette tâche est généralement réalisée de manière séquentielle, avec d'abord l'extraction des termes d'aspects, suivie par la prédiction des sentiments relatifs aux termes d'aspects extraits. Bien que plus facile à développer, cette approche ne tire pas pleinement parti des informations conjointes provenant des deux sous-tâches et n'utilise pas toutes les sources d'information disponibles qui pourraient être utiles, telles que les corpus annotés au niveau du document. Dans cet article, nous proposons un réseau d'apprentissage multi-tâches interactif (IMN) capable d'apprendre simultanément plusieurs tâches connexes, tant au niveau des jetons (tokens) qu'au niveau du document. Contrairement aux méthodes traditionnelles d'apprentissage multi-tâches qui s'appuient sur l'apprentissage de caractéristiques communes pour différentes tâches, IMN introduit une architecture de passage de messages où les informations sont transmises itérativement à différentes tâches par le biais d'un ensemble partagé de variables latentes. Les résultats expérimentaux démontrent la supériorité de la méthode proposée par rapport à plusieurs méthodes de base sur trois jeux de données de référence.