アスペクトレベルの感情分類（Aspect-Level Sentiment Classification: ASC）においては、主要なニューラルモデルに注意メカニズムを装備することが一般的です。これは、与えられたアスペクトに対する各文脈単語の重要性を取得するためです。しかし、このようなメカニズムはしばしば感情極性を持つ頻出単語に過度に焦点を当て、希少単語を無視する傾向があります。本論文では、ニューラルASCモデル用の逐次自己監督型注意学習手法（Progressive Self-Supervised Attention Learning Approach）を提案します。この手法は、訓練コーパスから有用な注意監督情報を自動的に抽出し、注意メカニズムを洗練することを目指しています。具体的には、すべての訓練インスタンスに対して反復的に感情予測を行います。特に各反復において、最大の注意重みを持つ文脈単語が正解/不正解予測に対する影響力のある/誤導的な単語として抽出され、その後の反復ではその単語自体がマスクされます。最終的には、従来の訓練目標関数に正則化項を追加することで、ASCモデルが抽出された影響力のある文脈単語に引き続き同等の注目を払いながら、誤導的な単語の重みを減少させることが可能になります。複数データセットでの実験結果は、我々が提案した手法がより優れた注意メカニズムを生成し、最新の2つのニューラルASCモデルに対して大幅な改善をもたらすことを示しています。ソースコードおよび学習済みモデルは https://github.com/DeepLearnXMU/PSSAttention で入手可能です。