Die aspect-basierte Sentimentanalyse (ABSA) zielt darauf ab, Aspektbegriffe, deren zugehörige Sentiment-Polaritäten und Meinungsbegriffe zu identifizieren. Es gibt sieben Unterprobleme in der ABSA. Die meisten Studien konzentrieren sich nur auf Teilmengen dieser Unterprobleme, was zu komplizierten ABSA-Modellen führt und es schwierig macht, diese Unterprobleme in einem einheitlichen Framework zu lösen. In dieser Arbeit definieren wir jedes Unterproblemtarget neu als eine Sequenz aus Zeigerindizes und Sentimentklassenindizes, was alle ABSA-Unterprobleme in eine einheitliche generative Formulierung umwandelt. Auf Basis dieser einheitlichen Formulierung nutzen wir das vortrainierte sequenz-zu-sequenz-Modell BART, um alle ABSA-Unterprobleme in einem end-to-end-Framework zu lösen. Ausführliche Experimente mit vier ABSA-Datensätzen für sieben Unterprobleme zeigen, dass unser Framework erhebliche Leistungsverbesserungen erzielt und eine echte einheitliche end-to-end-Lösung für die gesamten ABSA-Unterprobleme bietet, die mehreren Aufgaben zugutekommen kann.