현재까지 문맥 기반 감성 분석(ABSA)은 총 일곱 가지 하위 작업을 포함하고 있으나, 이러한 작업들 간의 상호작용은 충분히 탐색되지 않았다. 본 연구에서는 통합 ABSA를 위한 새로운 다중계층 연쇄 프레임워크를 제안하며, 이러한 상호작용을 유지한다. 먼저, 일곱 가지 하위 작업을 쉽게부터 어려운 순서로 계층적 의존 관계로 모델링한 후, 하위 작업들에서 얻은 감성 구조 및 단서를 상위 작업으로 전달하는 다중 복원(복수 해석) 기반의 복원 전략을 제안한다. 이 다중 전략은 하위 작업 간의 효율적인 정보 흐름을 가능하게 하며, 반복적인 학습을 방지한다. 동시에 추가적인 레이블링 없이 기존 데이터를 충분히 활용할 수 있다. 또한, 관점-의견 토큰 추출 및 쌍 형성의 특성을 고려하여, 품사 태깅 및 문법적 의존 구조 정보를 통합함으로써 토큰 경계 및 쌍 식별 성능을 향상시켰다. 제안하는 구문 인지 다중계층(SyMux) 프레임워크는 총 28개의 하위 작업(7×4 데이터셋)에서 큰 폭의 성능 향상을 달성하였다.