Aspect-based sentiment analysis（ABSA）は、3つのサブタスク、すなわち「アスペクト項抽出」「意見項抽出」「アスペクトレベルのセンチメント分類」を含む。既存の多数の研究は、これらのサブタスクのうち一つにのみ焦点を当てている。近年、いくつかの研究が統一的なフレームワークを用いて完全なABSA問題に成功裏に取り組んでいる。しかし、これらの3つのサブタスク間の相互関係は依然として十分に活用されていない。本研究では、こうした関係性が異なるサブタスク間の協調的信号を含んでいると主張する。例えば、「delicious（美味しい）」という意見項が存在する場合、対応するアスペクト項は「food（料理）」であり、「place（場所）」ではない。このような関係性を十分に活用するため、我々は「Relation-Aware Collaborative Learning（RACL）」と呼ばれるフレームワークを提案する。このフレームワークは、スタック型のマルチレイヤーネットワーク内におけるマルチタスク学習および関係性伝搬メカニズムを通じて、各サブタスクが協調的に作業できるように設計されている。3つの実世界データセットを用いた広範な実験の結果、RACLは完全なABSAタスクにおいて、従来の最先端手法を顕著に上回ることが示された。