درک عواطف و احساسات مبتنی بر جنبه، وظیفه‌ای کاربردی و مهم در حوزه پردازش زبان طبیعی است که دیدگاه‌های ظریفی را در داده‌های متنی آشکار می‌سازد و به تحلیل عمیق‌تر محتوای متنی کمک می‌کند. تجزیه‌وتحلیل احساسات در سطح جنبه، در تشخیص دقیق احساسات بیان‌شده نسبت به یافتن ویژگی‌های مثبت و منفی موضوعات مورد بحث، اهمیت فراوانی دارد و به‌همین دلیل در زمینه‌هایی مانند بررسی نظرات مشتریان، پایش شبکه‌های اجتماعی و بهبود سامانه‌های پیشنهاددهنده کاربردهای گسترده‌ای پیدا کرده‌است. در این مقاله، به تحلیل احساسات سطح جنبه با استفاده از شبکه‌های عصبی گراف (GCN) پرداخته می‌شود که این روش‌ها در ثبت روابط پیچیده درون داده‌ها نسبت به رویکردهای کلاسیک عملکرد بهتری داشته و برای تشخیص احساسات مرتبط با جنبه‌های خاص، گزینه‌ای مناسب به‌شمار می‌روند. روش پیشنهادی در این پژوهش شامل استفاده از ترکیب نتایج چند مدل پیاده‌سازی‌شده مبتنی بر الگوریتم‌های GCN بر روی مجموعه‌داده‌های معیار برای تحلیل احساسات سطح جنبه است. مدل‌های پیاده‌سازی‌شده شامل DualGCN، RDGCN، SSEGCN و R-GAT هستند که هرکدام با بهره‌گیری از دیدگاه‌ها و معماری‌های متفاوت، قابلیت‌های متنوعی در استخراج ویژگی‌های ساختاری و معنایی متن ارائه می‌دهند. این مدل‌ها با استفاده از رویکرد یادگیری جمعی که فرایند رأی‌گیری بیشینه را شامل می‌شود، ترکیب شده‌اند و درنتیجه پیشرفت‌های قابل‌ توجهی را نسبت به مدل‌های فردی نشان می‌دهند. مجموعه‌داده انتخابی این پژوهش شامل SemEval2014 (زیرمجموعه‌های رستوران 14 و لپ‌تاپ) و توییتر است. در مجموعه‌داده رستوران 14، مدل نهایی شاهد افزایش 2.15% در معیار دقت (Accuracy) و 2.8% در معیار امتیاز F1 (F1-Score) نسبت به مدل‌های پایه بوده‌است؛ همچنین، در مجموعه‌داده لپ‌تاپ افزایش قابل توجهی معادل 9.2 درصد در معیار دقت و 11.74 درصد در معیار امتیاز F1 مشاهده شده‌است؛ درنهایت، در مجموعه‌داده توییتر، افزایش 7.8% در معیار دقت و 8.7% در معیار امتیاز F1 به ثبت رسیده‌است. نتایج نشان می‌دهند که رویکرد جدید و پیش‌گام این پژوهش توانسته است بالاترین درصد دقت را نسبت به پژوهش‌های اخیر در این حوزه به‌دست آورد.