ALSC (Clasificación de Sentimiento a Nivel de Aspecto) es una tarea detallada en el campo del procesamiento del lenguaje natural (NLP, por sus siglas en inglés) que tiene como objetivo identificar el sentimiento hacia un aspecto dado. Además de explotar la semántica y sintaxis de la oración, los métodos actuales de ALSC se centran en introducir conocimiento externo como complemento a la información de la oración. Sin embargo, la integración de las tres categorías de información sigue siendo un desafío. En este artículo, se ha ideado un método novedoso para combinar de manera efectiva información semántica y sintáctica suficiente, así como el uso de conocimiento externo. El modelo propuesto contiene un codificador de oraciones, un módulo de aprendizaje semántico, un módulo de aprendizaje sintáctico, un módulo de mejora de conocimiento, un módulo de fusión de información y un clasificador de sentimiento. La información semántica y sintáctica se extraen respectivamente a través de una red de autoatención y una red convolucional gráfica. Específicamente, se emplea la incrustación de grafos de conocimiento (KGE) para mejorar la representación de características del aspecto. Luego, se utiliza un mecanismo de compuerta basado en atención para fusionar los tres tipos de información. Evaluamos el modelo propuesto en tres conjuntos de datos de referencia y los resultados experimentales establecen una fuerte evidencia de alta precisión.