Generative Methoden fördern die aspect-basierte Sentimentanalyse stark durch die Erzeugung einer Sequenz von Sentiment-Elementen in einem spezifischen Format. Allerdings ignorieren bestehende Studien oft den Einfluss der Wechselwirkungen zwischen den Elementen eines Sentiment-Tupels und der Vielfalt der Sprachausdrucksformen auf die Ergebnisse, indem sie die Sentiment-Elemente in einer festgelegten Reihenfolge vorhersagen. In dieser Arbeit schlagen wir Multi-view Prompting (MvP) vor, das Sentiment-Elemente in verschiedenen Reihenfolgen aggregiert und dabei die Intuition menschenähnlicher Problemlösungsprozesse aus unterschiedlichen Perspektiven nutzt. Insbesondere führt MvP Ordnungshinweise für Elemente ein, um das Sprachmodell zu leiten, mehrere Sentiment-Tupel zu erzeugen, wobei jedes Tupel eine andere Elementreihenfolge hat. Anschließend werden die plausibelsten Tupel durch Abstimmung ausgewählt. MvP kann natürliche Mehrperspektivigkeit und Mehrfachaufgaben als Permutationen und Kombinationen von Elementen modellieren und übertreffen mit einem einzigen Modell mehrere task-spezifisch entwickelte Methoden bei mehreren ABSA-Aufgaben. Ausführliche Experimente zeigen, dass MvP den aktuellen Stand der Technik auf 10 Datensätzen von 4 Benchmark-Aufgaben erheblich verbessert und sich auch in Ressourcen-schwachen Umgebungen sehr effektiv zeigt. Eine detaillierte Bewertung bestätigte die Effektivität, Flexibilität und Aufgabenübergreifende Übertragbarkeit von MvP.