El análisis de sentimientos basado en aspectos (ABSA) a través del aprendizaje de tareas conjuntas tiene como objetivo identificar simultáneamente términos de aspecto y predecir sus polaridades sentimentales. Sin embargo, los métodos existentes enfrentan dos desafíos principales: (1) La mayoría de los estudios existentes se centran en la tarea de clasificación de polaridad sentimental, ignorando el papel crítico de la extracción de términos de aspecto, lo que lleva a un rendimiento insuficiente en la captura de información relacionada con los aspectos; (2) los métodos existentes modelan típicamente las dos tareas de manera independiente, sin compartir de manera efectiva características subyacentes e información semántica, lo que debilita la sinergia entre las tareas y limita el rendimiento general del modelo. Para resolver estos problemas, esta investigación sugiere un modelo de marco unificado a través del aprendizaje de tareas conjuntas, llamado MTL-GCN, para realizar simultáneamente la extracción de términos de aspecto y la clasificación de polaridad sentimental. El modelo propuesto utiliza árboles de dependencia combinados con mecanismos de autoatención para generar nuevas matrices de peso, enfatizando la información de ubicación de los términos de aspecto, y optimiza la red neuronal de convolución gráfica (GCN) para extraer términos de aspecto de manera más eficiente. Además, el modelo emplea el mecanismo de atención de múltiples cabezas (MHA) para procesar los datos de entrada y utiliza su salida como entrada para la GCN. A continuación, la GCN modela la estructura gráfica de los datos de entrada, capturando las relaciones entre nodos e información estructural global, integrando completamente la información semántica contextual global y generando representaciones de características contextuales de nivel profundo. Finalmente, las características relacionadas con los aspectos extraídas se fusionan con características globales y se aplican a la tarea de clasificación de sentimientos. El marco unificado propuesto logra un rendimiento de vanguardia, como lo evidencian los resultados experimentales en cuatro conjuntos de datos de referencia. MTL-GCN supera a los modelos de referencia en términos de métricas F1ATE, precisión y F1SC, como lo demuestran los resultados experimentales en cuatro conjuntos de datos de referencia. Además, estudios comparativos y de ablación validan aún más la lógica y efectividad del diseño del modelo.