Die aspect-basierte Sentimentanalyse (ABSA) strebt danach, detaillierte sentimentbezogene Informationen auf Aspekt-Ebene bereitzustellen. Es gibt viele verschiedene ABSA-Aufgaben, und das derzeit vorherrschende Paradigma besteht darin, für jede Aufgabe spezifische Modelle zu trainieren. Allerdings sind die Anwendungsszenarien von ABSA-Aufgaben oft vielfältig. Diese Lösung erfordert in der Regel eine große Menge an annotierten Daten für jede einzelne Aufgabe, um exzellente Leistungen zu erzielen. Diese dedizierten Modelle werden getrennt trainiert und getrennt zur Vorhersage eingesetzt, wobei sie die Beziehungen zwischen den Aufgaben ignorieren. Um diese Probleme anzugehen, präsentieren wir UnifiedABSA, ein allgemeines ABSA-Framework basierend auf multiaufgabenorienteter Anweisungstuning, das verschiedene Aufgaben einheitlich modellieren und die Interdependenz zwischen den Aufgaben durch multiaufgabenorientetes Lernen erfassen kann. Ausführliche Experimente mit zwei Benchmark-Datensätzen zeigen, dass UnifiedABSA signifikant bessere Ergebnisse als dedizierte Modelle in 11 ABSA-Aufgaben erzielt und sich hinsichtlich der Dateneffizienz überlegen ist.