La investigación sobre el análisis de sentimientos basado en aspectos (ABSA) se basa principalmente en un único mecanismo de atención o información semántica gramatical, lo que lo hace menos efectivo para tratar estructuras lingüísticas complejas. Para abordar los desafíos en tareas de análisis de sentimientos de alta precisión, este artículo establece un nuevo modelo de sintaxis y semántica basado en la fusión de características junto con una red neuronal convolucional gráfica (SSFF-GCN), que incluye una capa de extracción de información de doble canal al combinar gráficos de dependencia sintáctica e información semántica, y consta de tres módulos importantes: el módulo de mejora de características sintácticas, el módulo de extracción de características semánticas y el módulo de fusión de características. En el módulo de mejora de características gramaticales, este modelo utiliza árboles de dependencia para capturar la relación estructural entre palabras emocionales y palabras objetivo y añade un módulo de atención afín dual para mejorar la capacidad de aprendizaje gramatical. En el módulo de extracción de características semánticas, se utiliza atención consciente del aspecto combinada con autoatención para extraer asociaciones semánticas en las oraciones, lo que garantiza la captura efectiva de información de dependencia a larga distancia. El módulo de fusión de características combina dinámicamente la información sintáctica y semántica mejorada a través de un mecanismo de compuerta; por lo tanto, mejora la capacidad del modelo para expresar características emocionales. Los resultados empíricos muestran que el modelo SSFF-GCN es generalmente superior a los modelos existentes en varios conjuntos de datos disponibles públicamente.