En la era de los grandes datos, el aprendizaje multitarea se ha convertido en una de las tecnologías cruciales para el análisis de sentimientos y la clasificación. La mayoría de los modelos de aprendizaje multitarea existentes para el análisis de sentimientos se desarrollan basándose en el mecanismo de compartición suave, que tiene menos interferencia entre diferentes tareas que el mecanismo de compartición dura. Sin embargo, también hay menos características esenciales que el modelo puede extraer con el método de compartición suave, lo que resulta en un rendimiento de clasificación insatisfactorio. En este artículo, proponemos un marco de aprendizaje multitarea basado en un mecanismo de compartición dura para el análisis de sentimientos en diversos campos. El mecanismo de compartición dura se logra mediante una capa compartida para construir la interrelación entre múltiples tareas. Luego, diseñamos un mecanismo de reconocimiento de tareas para reducir la interferencia del espacio de características compartidas y también para mejorar la correlación entre múltiples tareas. Los experimentos en dos conjuntos de datos de clasificación de sentimientos del mundo real muestran que nuestro enfoque logra los mejores resultados y mejora significativamente la precisión de clasificación en comparación con los métodos existentes. El proceso de entrenamiento de reconocimiento de tareas permite una representación única de las características de diferentes tareas en el espacio de características compartidas, proporcionando una nueva solución que reduce la interferencia en el espacio de características compartidas para el análisis de sentimientos.