L'analyse de sentiment axée sur les aspects (ABSA) est une tâche fine dont l'objectif est de déterminer la polarité du sentiment par rapport à des termes d'aspect ciblés présents dans une phrase. Le développement de cette tâche est fortement entravé par le manque de données annotées. Pour relever ce défi, les travaux antérieurs ont exploré la possibilité d'utiliser des jeux de données d'analyse de sentiment (SA) afin d'aider à l'entraînement d'un modèle ABSA, principalement par pré-entraînement ou apprentissage multi-tâches. Dans cet article, nous suivons cette approche et, pour la première fois, parvenons à appliquer la méthode des pseudo-étiquettes (PL) afin de fusionner deux tâches homogènes. Bien que l'utilisation de pseudo-étiquettes générées semble intuitive pour traiter le problème d'unification de la granularité des étiquettes dans le cadre de deux tâches fortement corrélées, nous identifions dans cet article son principal défi et proposons un cadre novateur, nommé Dual-granularity Pseudo Labeling (DPL). De plus, tout comme la méthode PL, nous considérons DPL comme un cadre général pouvant intégrer d'autres méthodes existantes dans la littérature. Grâce à des expériences étendues, DPL atteint des performances de pointe sur des benchmarks standards, surpassant significativement les approches antérieures.