本文聚焦于在将方面词抽取（aspect term extraction）与方面情感分类（aspect sentiment classification）视为序列标注任务时，极少被研究的类别不平衡问题。此外，以往研究通常忽略了在标注情感极性时，方面词之间的相互作用。为此，我们提出了一种梯度调和级联标注模型（GRadient hArmonized and CascadEd labeling model, GRACE），以解决上述问题。具体而言，我们设计了一个级联标注模块，旨在增强方面词之间的交互性，并在情感极性标注过程中提升对情感词元的关注度。该模型的情感极性序列依赖于生成的方面词标签。为缓解类别不平衡问题，我们借鉴目标检测中使用的梯度调和机制，将其扩展至基于方面的情感分析领域，通过动态调整每个标签的权重来实现。所提出的GRACE模型采用后预训练（post-pretraining）BERT作为其主干网络。实验结果表明，该模型在多个基准数据集上均实现了性能的一致性提升，并取得了当前最先进的结果。