El Análisis de Sentimientos Basado en Aspectos (ABSA) ha ganado una gran popularidad en los últimos años, lo que enfatiza la representación del sentimiento a nivel de aspecto de las oraciones. Los métodos actuales para ABSA a menudo utilizan modelos pre-entrenados y convolución de grafos para representar las dependencias de las palabras. Sin embargo, tienen dificultades con problemas de dependencia a largo plazo en textos extensos, lo que resulta en un promedio y pérdida de información semántica contextual. En este documento, exploramos cómo se pueden codificar relaciones semánticas más ricas de manera más eficiente. Inspirados en la teoría cuántica, construimos estados de superposición a partir de secuencias de texto y los utilizamos con medidas cuánticas para capturar explícitamente relaciones semánticas complejas dentro de secuencias de palabras. Específicamente, proponemos un método de fusión de dependencia semántica basado en atención para ABSA, que emplea un módulo de incrustación cuántica para crear un estado de superposición de características de secuencia de palabras de valor real en un espacio de Hilbert de valor complejo. Este enfoque produce una representación de matriz de densidad de secuencia de palabras que mejora el manejo de dependencias a largo plazo. Además, introducimos un mecanismo de atención cruzada cuántica para integrar características de secuencia con relaciones de dependencia entre pares de palabras específicas, con el objetivo de capturar las asociaciones entre aspectos particulares y comentarios de manera más completa. Nuestros experimentos en los conjuntos de datos de SemEval-2014 y Twitter demuestran la efectividad del modelo de fusión de dependencia semántica basado en atención inspirado en la cuántica para la tarea de ABSA.