Cet article étudie l'apprentissage continu (AC) pour la classification des sentiments (CS). Dans ce cadre, le système d'AC apprend de manière incrémentielle une séquence de tâches de CS au sein d'un réseau de neurones, chaque tâche étant chargée de construire un classificateur capable de déterminer le sentiment exprimé dans les avis relatifs à une catégorie de produits ou un domaine particulier. Deux questions fondamentales se posent naturellement : le système peut-il transférer les connaissances acquises lors des tâches précédentes vers la tâche actuelle afin d’aider à l’apprentissage d’un modèle plus performant ? Et peut-on également améliorer les modèles anciens, associés aux tâches antérieures, au cours de ce processus ? Ce papier propose une nouvelle technique, nommée KAN, visant à atteindre ces objectifs. KAN améliore significativement la précision de la CS tant pour les nouvelles tâches que pour les tâches anciennes grâce à un transfert bidirectionnel des connaissances (vers l’avant et vers l’arrière). L’efficacité de KAN est démontrée à travers des expérimentations étendues.