أصبح دمج الأساليب الرمزية والأسفلية استراتيجية واعدة مع تعقيد المهام البحثية في الذكاء الاصطناعي وازدياد الحاجة إلى مستوى أعلى من الفهم. ومن بين هذه المهام المعقدة، تحليل المشاعر المالية القائمة على الجوانب المستهدفة (TABFSA)، حيث يشمل استخلاص المعلومات وتحديد المواضيع والتكيف الحدودي. وقد أثبتت المعرفة الخارجية فعاليتها في تحليل المشاعر العام، لكنها لم تُثبت بعد فعاليتها في المجال المالي. ومع ذلك، فإن النماذج الحالية الأفضل في مجال تحليل المشاعر المالية (FSA) قد أهملت أهمية المعرفة الخارجية. لسد هذه الفجوة، نقترح استخدام الشبكات العصبية التلافيفية المُوجّهة (CNN) والشبكات العصبية التكرارية المُوجّهة (LSTM) لدمج استراتيجي لعدة مصادر معرفة خارجية خلال عملية تحسين النماذج اللغوية المُدرّبة مسبقًا لتطبيق TABFSA. أظهرت التجارب على مجموعتي بيانات FiQA Task 1 وSemEval 2017 Task 5 أن النماذج المدعومة بالمعرفة تُحسّن بشكل منهجي الأداء مقارنة بنماذج التعلم العميق التقليدية، وبعضها تفوق النتائج الرائدة المُبلغ عنها من حيث دقة تحليل مشاعر الجوانب.