Die aspektbasierte Sentimentanalyse (Aspect-Based Sentiment Analysis, ABSA) wurde in den letzten Jahren umfassend untersucht, wobei typischerweise vier grundlegende Sentiment-Elemente betrachtet werden: die Aspektkategorie, das Aspektwort (aspect term), das Meinungswort (opinion term) und die Sentiment-Polarität. Bisherige Studien befassen sich meist mit der Erkennung einzelner Sentiment-Elemente, anstatt alle vier Elemente in einem einzigen Schritt vorherzusagen. In dieser Arbeit führen wir die Aufgabe der Aspekt-Sentiment-Quadrupel-Vorhersage (Aspect Sentiment Quad Prediction, ASQP) ein, die darauf abzielt, alle Sentiment-Elemente gemeinsam als Quadrupel für einen gegebenen bewertenden Satz zu detektieren. Dadurch wird eine umfassendere und vollständigere, aspektbasierte Sentiment-Struktur sichtbar. Weiterhin schlagen wir ein neuartiges \textsc{Paraphrase}-Modellierungsparadigma vor, das die ASQP-Aufgabe als eine Paraphrasen-Generierungsaufgabe formuliert. Auf der einen Seite ermöglicht die Generierungsformulierung eine end-to-end-Lösung der ASQP-Aufgabe und verringert so das Risiko von Fehlerfortpflanzung, das bei pipeline-basierten Ansätzen auftritt. Auf der anderen Seite können die Semantik der Sentiment-Elemente durch das Lernen ihrer Generierung in natürlicher Sprachform vollständig ausgenutzt werden. Umfangreiche Experimente auf Benchmark-Datensätzen belegen die Überlegenheit unseres vorgeschlagenen Ansatzes sowie die Fähigkeit zur Transferlernung zwischen Aufgaben im Rahmen des einheitlichen \textsc{Paraphrase}-Modellierungsrahmens.