속성 기반 감성 분석 (Aspect-based sentiment analysis, ABSA)은 모델이 감성 증거를 올바른 속성에 결합할 것을 요구하며, 이는 미세한 구조적 추론 (structural reasoning)을 위한 자연스러운 테스트베드가 됩니다. 우리는 이분 그래프 토폴로지 (bipartite topology) 위에 구축된 인시던스 기반 구조적 추론 레이어로 설계된 Graphormer-over-Conditioned-Hypergraph-Incidence 프레임워크인 GHI를 소개합니다. GHI는 다양한 언어적 및 의미적 증거를 토큰-하이퍼엣지 인시던스 관계 (token--hyperedge incidence relations)로 표현하여, 서로 다른 구조적 신호들이 통일된 인터페이스를 통해 통합될 수 있도록 합니다. 6개의 표준 ABSA 벤치마크에 대한 광범위한 실험 결과, GHI는 SemEval 도메인에서 모든 베이스라인 (baselines) 모델을 능가하였으며, 멀티 시드 (multi-seed) 평가를 통해 강력한 DeBERTa 모델 대비 안정적인 성능 향상을 보여주었습니다. 추가 실험에 따르면, GHI는 단 247M 개의 파라미터만으로 ISE 벤치마크에서 11B Flan-T5 기반 방법론들의 성능에 근접합니다. 또한, 까다로운 ARTS 데이터셋에서도 강력한 강건성 (robustness)을 입증하며, 기존 모델들의 성능이 저하되는 지점에서도 매우 경쟁력 있는 성능을 유지합니다. 이러한 결과는 미세한 작업 (fine-grained tasks)에 있어 컴팩트한 구조적 추론이 규모 중심 (scale-driven) 접근 방식에 대한 가치 있는 대안이 될 수 있음을 보여줍니다.