Die aspektbasierte feingranulare Meinungsextraktion (AFOE) zielt darauf ab, Aspekt- und Meinungsterme aus Bewertungen in Form von Meinungspaaren zu extrahieren oder zusätzlich die Sentiment-Polarität des Aspektterms zu bestimmen, um Meinungstripel zu bilden. Da sie mehrere Meinungsfaktoren enthält, wird die vollständige AFOE-Aufgabe in der Regel in mehrere Teilaufgaben unterteilt und im Pipeline-Verfahren gelöst. Allerdings sind Pipeline-Ansätze in realen Szenarien anfällig für Fehlerfortpflanzung und Unbequemlichkeiten. Um dieses Problem zu lösen, schlagen wir ein neues Tagging-Schema vor, das Grid Tagging Scheme (GTS), mit dem die AFOE-Aufgabe auf eine end-to-end-Basis reduziert werden kann, indem nur eine vereinte Grid-Tagging-Aufgabe durchgeführt wird. Zudem entwickeln wir eine effektive Inferenzstrategie für GTS, um gegenseitige Hinweise zwischen verschiedenen Meinungsfaktoren für präzisere Extraktionen zu nutzen. Um die Machbarkeit und Kompatibilität von GTS zu überprüfen, implementieren wir drei verschiedene GTS-Modelle basierend auf CNN, BiLSTM und BERT und führen Experimente auf Datensätzen zur aspektbasierten Meinungspaarextraktion und zur Meinungstripel-Extraktion durch. Ausführliche experimentelle Ergebnisse zeigen, dass die GTS-Modelle signifikant besser als starke Baseline-Modelle abschneiden und den aktuellen Stand der Technik erreichen.