En la vida online moderna, los sistemas de recomendación pueden ayudarnos a filtrar información no importante. Los investigadores de algoritmos de recomendación suelen utilizar datos de interacción históricos para extraer posibles preferencias de los usuarios. Sin embargo, la mayoría de los métodos existentes utilizan datos de calificación para extraer las preferencias de interés de los usuarios, ignorando información textual relevante como las reseñas. Aunque algunos investigadores han intentado combinar calificaciones y reseñas para recomendaciones, creemos que los siguientes problemas aún persisten. En primer lugar, los métodos existentes dependen en exceso de la precisión de las herramientas externas de análisis de sentimientos. En segundo lugar, los métodos existentes no aprovechan completamente las características extraídas de las reseñas. Además, los métodos existentes se centran únicamente en los aspectos que gustan a los usuarios, ignorando los aspectos que no les gustan, y no pueden modelar completamente las verdaderas preferencias de los usuarios. Para abordar los problemas mencionados, en este artículo proponemos un modelo de recomendación basado en el aspecto de la red de conocimiento de atención del grafo de sentimiento (ASKAT). Primero, utilizamos un algoritmo mejorado de análisis de sentimiento basado en aspectos para extraer características de sentimiento aspectuales de las reseñas. Luego, para superar la dificultad de subutilizar la información extraída de los comentarios, construimos aspectos de mapeo de conocimiento colaborativo mejorados con sentimiento. Después, proponemos una nueva red de atención de grafo que utiliza mecanismos de atención conscientes del sentimiento para agregar información de los vecinos. Finalmente, nuestros resultados experimentales en tres conjuntos de datos, Películas, Libros de Amazon y Yelp, muestran que nuestro modelo supera consistentemente al modelo de referencia en dos escenarios de recomendación, predicción de clics y recomendación de los mejores k. En comparación con otros modelos, el método muestra una mejora significativa tanto en la precisión de la recomendación como en la efectividad de la recomendación personalizada.