의미 기반 감성 분석(Aspect-Based Sentiment Analysis, ABSA)은 문장 내 등장하는 특정 아спект 용어에 대한 감성 극성(sentiment polarity)을 결정하는 세밀한 작업이다. ABSA 작업의 발전은 주로 레이블링된 데이터의 부족으로 인해 큰 제약을 받고 있다. 이를 해결하기 위해 기존 연구들은 감성 분석(Sentiment Analysis, SA) 데이터셋을 활용하여 ABSA 모델의 학습을 지원할 수 있는 가능성에 주목해 왔으며, 주로 사전 학습(pretraining) 또는 다중 작업 학습(multi-task learning)을 통해 접근해왔다. 본 논문에서는 이러한 기존 연구의 흐름을 따르되, 처음으로 의사 레이블(Pseudo-Label, PL) 기법을 두 가지 유사한 작업을 통합하는 데 적용하는 데 성공했다. 두 매우 관련성이 높은 작업 간의 레이블 세부성(granularity)을 통일하는 상황에서 의사 레이블을 사용하는 것은 직관적으로는 간단해 보이지만, 본 연구에서는 이 접근법이 지닌 주요 과제를 식별하고, 이를 해결하기 위한 새로운 프레임워크인 이중 세부성 의사 레이블링(Dual-granularity Pseudo Labeling, DPL)을 제안한다. 또한 PL과 마찬가지로 DPL을 기존 연구에서 제안된 다른 방법들을 통합할 수 있는 일반적인 프레임워크로 간주한다. 광범위한 실험을 통해 DPL은 기존 최고 성능 모델을 크게 뛰어넘는 표준 벤치마크에서 최신 기술 수준의 성능을 달성하였다.