El análisis de sentimientos basado en aspectos (ABSA) es una tarea detallada del análisis de sentimientos que presenta grandes beneficios para aplicaciones del mundo real. Recientemente, los métodos que utilizan redes neuronales gráficas sobre árboles de dependencia son populares, pero la mayoría de ellos simplemente consideraron si existen dependencias entre palabras, ignorando los tipos de estas dependencias, que contienen información importante, ya que las dependencias con diferentes tipos tienen diferentes efectos. Además, descuidaron las correlaciones entre los tipos de dependencia y las etiquetas de parte del habla (POS), que son útiles para utilizar la información de dependencia. Para abordar tales limitaciones y la deficiencia de la minería de características sintácticas y semánticas insuficientes, proponemos un modelo novedoso que contiene tres módulos, que tiene como objetivo aprovechar los árboles de dependencia de manera más razonable al distinguir diferentes dependencias y extraer características sintácticas y semánticas beneficiosas para mejorar aún más el rendimiento del modelo. Para enriquecer los embeddings de palabras, diseñamos un codificador de características sintácticas (SynFE). En particular, diseñamos una Red Convolucional de Grafos Ponderada por Dependencia-POS (DPGCN) para ponderar diferentes dependencias mediante un mecanismo de atención gráfica que propusimos. Además, para capturar información semántica orientada a aspectos, diseñamos un extractor de características semánticas (SemFE). Experimentos extensos en cinco bases de datos de referencia populares validan que nuestro modelo puede emplear mejor la información de dependencia y extraer eficazmente características sintácticas y semánticas favorables para lograr un nuevo rendimiento líder en el estado del arte.