Es ist üblich, dass in bestehenden Studien zur aspektbasierten Sentimentanalyse (ABSA) neuronale graphbasierte Modelle eingesetzt werden, um über Abhängigkeitsparsen hergestellte Wortbeziehungen zu nutzen, um die Aufgabe durch verbesserte semantische Anleitung zur Analyse von Kontext- und Aspektwörtern zu unterstützen. Allerdings berücksichtigen die meisten dieser Studien lediglich Abhängigkeitsrelationen, ohne deren Abhängigkeitstypen zu berücksichtigen, und sind zudem durch fehlende effiziente Mechanismen zur Unterscheidung bedeutender Relationen sowie zur Lernung aus verschiedenen Schichten graphbasierter Modelle eingeschränkt. Um diese Limitationen zu überwinden, schlagen wir in diesem Artikel einen Ansatz vor, der Abhängigkeitstypen explizit für die ABSA nutzt, indem wir typenbewusste Graph-Convolutional-Networks (T-GCN) einsetzen. In T-GCN wird Aufmerksamkeit verwendet, um verschiedene Kanten (Relationen) im Graphen zu unterscheiden, und es wird ein anspruchsvoller Schichtensembles-Ansatz vorgeschlagen, um umfassend aus den verschiedenen Schichten von T-GCN zu lernen. Die Gültigkeit und Wirksamkeit unseres Ansatzes wird in den experimentellen Ergebnissen nachgewiesen, wobei eine state-of-the-art-Leistung auf sechs englischen Benchmark-Datensätzen erzielt wird. Zusätzliche Experimente werden durchgeführt, um die Beiträge jedes einzelnen Komponenten unseres Ansatzes zu analysieren und auf quantitative und qualitative Weise darzustellen, wie die verschiedenen Schichten von T-GCN zur ABSA beitragen.