El análisis de sentimiento a nivel de aspecto tiene como objetivo identificar la polaridad del sentimiento de uno o más términos de aspecto en una oración. En la actualidad, muchos investigadores han aplicado árboles de dependencia y redes neuronales de grafos (GNNs) al análisis de sentimiento a nivel de aspecto y han logrado resultados prometedores. Sin embargo, cuando una oración contiene múltiples aspectos, la mayoría de los métodos modelan cada aspecto de forma independiente, ignorando el problema de la conexión de sentimientos entre aspectos. Para abordar este problema, este documento propone un modelo de red convolucional de grafos interactiva de doble canal (DC-GCN) para el análisis de sentimiento a nivel de aspecto. El modelo considera tanto la información de estructura sintáctica como las dependencias de sentimiento multi-aspecto en las oraciones y emplea redes convolucionales de grafos (GCN) para aprender la representación de la información de sus nodos. En particular, para capturar mejor las representaciones de aspecto y palabras de opinión, explotamos el mecanismo de atención para aprender de forma interactiva las características de información sintáctica y las características de dependencia de sentimiento multi-aspecto producidas por el GCN. Además, construimos la capa de incrustación de palabras mediante el modelo de pre-entrenamiento para aprender mejor la información semántica contextual de las oraciones. Los resultados experimentales en los conjuntos de datos de restaurantes, laptops y Twitter muestran que, en comparación con el modelo de vanguardia, la precisión es de hasta 1.86%, 2.50%, 1.36% y 0.38%, y los valores 1 son de hasta 1.93%, 0.61% y 0.4%, respectivamente.