A pesar de que se ha logrado un gran progreso en la tarea de Análisis de Sentimientos Basado en Aspectos (ABSA) a través de la investigación, la mayoría de los trabajos anteriores se centran en problemas de ABSA en inglés, y hay pocos esfuerzos en otros idiomas principalmente debido a la falta de datos de entrenamiento. En este documento, proponemos un enfoque para realizar una tarea de Clasificación de Sentimientos de Aspecto Cruzado (CLASC) que aprovecha los recursos abundantes en un idioma (idioma fuente) para la clasificación de sentimientos de aspecto en un idioma con recursos limitados (idioma objetivo). Específicamente, primero construimos un léxico bilingüe para datos de entrenamiento específicos del dominio para traducir la categoría de aspecto anotada en el corpus en idioma fuente y luego traducimos oraciones del idioma fuente al idioma objetivo a través de herramientas de Traducción Automática (MT). Sin embargo, la mayoría de los sistemas de MT son de propósito general, lo que inevitablemente introduce ambigüedades de traducción que degradarían el rendimiento de CLASC. En este contexto, proponemos un enfoque novedoso llamado Transformador Reforzado con Destilación Cruzada de Lenguaje (RTCLD) combinado con aprendizaje adversarial sensible al objetivo para minimizar los efectos indeseables de las ambigüedades de traducción en la traducción de oraciones. Realizamos experimentos en diferentes combinaciones de idiomas, tratando el inglés como el idioma fuente y el chino, ruso y español como idiomas objetivo. Los resultados experimentales muestran que nuestro enfoque propuesto supera a los métodos de vanguardia en diferentes idiomas objetivo.