L’analyse de sentiment basée sur les aspects (ABSA) implique trois sous-tâches : l’extraction des termes d’aspect, l’extraction des termes d’opinion et la classification du sentiment au niveau de l’aspect. La plupart des études existantes se sont concentrées sur une seule de ces sous-tâches. Plusieurs recherches récentes ont tenté avec succès de résoudre le problème complet d’ABSA à l’aide d’un cadre unifié. Toutefois, les relations interactives entre ces trois sous-tâches restent encore sous-exploitées. Nous soutenons que ces relations codent des signaux collaboratifs entre les différentes sous-tâches. Par exemple, lorsque le terme d’opinion est « délicieux », le terme d’aspect doit nécessairement être « nourriture » plutôt que « lieu ». Afin d’exploiter pleinement ces relations, nous proposons un cadre appelé Relation-Aware Collaborative Learning (RACL), qui permet aux sous-tâches de coopérer efficacement grâce à des mécanismes d’apprentissage multi-tâches et de propagation de relations au sein d’un réseau multi-couches empilé. Des expérimentations étendues sur trois jeux de données réels démontrent que RACL surpasse significativement les méthodes de pointe pour la tâche complète d’ABSA.