El propósito del análisis de sentimiento basado en aspectos (ABSA) es determinar la polaridad del sentimiento de los aspectos en una oración dada. La mayoría de los trabajos históricos sobre análisis de sentimientos utilizaron métodos complejos e ineficientes para integrar conocimientos externos. Además, no lograron utilizar completamente el potencial de BERT porque al intentar generar incrustaciones de palabras, simplemente promediaron los vectores de subpalabras de BERT. Para superar estas limitaciones, proponemos una red convolucional heterogénea guiada por conocimiento para el análisis de sentimientos basado en aspectos (KHGCN). Específicamente, consideramos la fusión de vectores de subpalabras utilizando un mecanismo de peso dinámico en la capa de incrustación de BERT. Además, se construyen grafos heterogéneos para fusionar diferentes asociaciones de características entre palabras, y se utilizan redes convolucionales de grafos para identificar características sintácticas específicas del contexto. Además, al incrustar un grafo de conocimiento, el modelo puede aprender características adicionales de fuentes distintas al corpus. Basándose en este conocimiento, es posible obtener una representación de conocimiento adicional para un aspecto particular utilizando el mecanismo de atención. Por último, pero no menos importante, las características semánticas, sintácticas y de conocimiento se combinan dinámicamente utilizando la fusión de características. Los experimentos en tres conjuntos de datos públicos demuestran que nuestro modelo logra tasas de precisión del 80,87%, 85,42% y 91,07%, lo cual es una mejora de más del 2% en comparación con otros modelos de referencia basados en HGCNs y BERT.