Il est courant que les modèles graphiques neuronaux soient appliqués dans les études actuelles d’analyse de sentiment axée sur les aspects (ABSA), afin d’exploiter les relations entre mots à travers des analyses de dépendance (dependency parses) et d’améliorer ainsi la guidance sémantique pour l’analyse des mots contextuels et des aspects. Toutefois, la plupart de ces études ne tirent parti que des relations de dépendance sans tenir compte de leurs types, et manquent de mécanismes efficaces pour distinguer les relations pertinentes ainsi que pour apprendre à partir de différentes couches des modèles basés sur les graphes. Pour surmonter ces limites, nous proposons dans cet article une approche qui exploite explicitement les types de dépendance dans le cadre d’ABSA à l’aide de réseaux de convolution graphique sensibles aux types (T-GCN), où une mécanique d’attention est intégrée dans le T-GCN afin de distinguer les différentes arêtes (relations) du graphe, et où une fusion de couches attentive est proposée pour apprendre de manière globale à partir des différentes couches du T-GCN. La validité et l’efficacité de notre approche sont démontrées par les résultats expérimentaux, qui atteignent des performances de pointe sur six jeux de données de référence en anglais. Des expériences supplémentaires sont menées afin d’analyser les contributions de chaque composant de notre méthode, et pour illustrer, à la fois de manière quantitative et qualitative, la manière dont les différentes couches du T-GCN contribuent à l’ABSA.