本稿では、センチメント分類（SC）における継続的学習（CL）について研究する。この設定では、CLシステムはニューラルネットワーク上で、特定の製品カテゴリーやドメインのレビューのセンチメントを分類するSCタスクの系列を段階的に学習する。各タスクは、対応する製品カテゴリまたはドメインのレビューに対してセンチメント分類器を構築する。ここに自然に浮かぶ二つの問いがある。第一に、過去のタスクで習得した知識を新しいタスクに転移させることで、新しいタスクに対するより優れたモデルの学習を支援できるか。第二に、過去のタスクに対する古いモデルも、このプロセスを通じて改善できるか。本稿では、これらの目的を達成するための新しい手法KANを提案する。KANは、前向きおよび後向きの知識転移を通じて、新しいタスクおよび過去のタスクの両方におけるSC精度を顕著に向上させる。KANの有効性は、広範な実験により実証されている。