Die aspektbezogene Sentiment-Klassifikation (Aspect-Level Sentiment Classification, ASC) zielt darauf ab, die fein granulierte Sentiment-Polarität gegenüber einem bestimmten Aspekt, der in einer Rezension erwähnt wird, vorherzusagen. Trotz der jüngsten Fortschritte in der ASC ist es für Maschinen nach wie vor herausfordernd, Aspekt-Sentiment präzise abzuleiten. In dieser Arbeit werden zwei zentrale Herausforderungen der ASC adressiert: (1) Aufgrund des Mangels an Aspekt-Wissen sind die in früheren Arbeiten erzeugten Aspekt-Repräsentationen unzureichend, um die genaue Bedeutung und Eigenschaftsinformationen eines Aspekts adäquat darzustellen; (2) Bisherige Ansätze erfassen entweder ausschließlich lokale syntaktische Informationen oder globale relationale Informationen, wodurch die jeweils fehlende Informationsart zu einer unvollständigen syntaktischen Repräsentation führt. Um diese Herausforderungen zu bewältigen, schlagen wir ein neuartiges ASC-Modell vor, das nicht nur aspektbezogenes Wissen end-to-end einbettet und nutzt, sondern auch beide Arten syntaktischer Informationen integriert und sie gegenseitig ergänzen lässt. Unser Modell besteht aus drei Schlüsselkomponenten: (1) einem wissensbewussten, gatenen rekurrenten Speicher-Netzwerk, das dynamisch zusammengefasstes Aspekt-Wissen rekursiv integriert; (2) einem dualen Syntax-Graph-Netzwerk, das beide Arten syntaktischer Informationen kombiniert, um umfassend ausreichende syntaktische Informationen zu erfassen; (3) einem Wissens-Integrations-Gate, das die finale Repräsentation durch zusätzliche, notwendige Aspekt-Wissensinformationen weiter verstärkt; (4) einem Aspekt-zu-Kontext-Attention-Mechanismus, der die aspektbezogenen Semantiken aus allen versteckten Zuständen in die finale Repräsentation aggregiert. Experimentelle Ergebnisse auf mehreren Benchmark-Datensätzen belegen die Wirksamkeit unseres Modells, das sowohl in Bezug auf Accuracy als auch auf Macro-F1 deutlich über den bisherigen Stand der Technik hinausgeht.