Aspect-basierte Sentiment-Triple-Extraktion (ASTE) zielt darauf ab, gemeinsame Triplett-Elemente aus Texten zu erkennen, nämlich Aspektbegriffe, Meinungsäußerungen und deren zugehörige Sentiment-Polaritäten. Als neu vorgeschlagene Aufgabe veranschaulicht ASTE das vollständige Sentiment-Bild aus unterschiedlichen Perspektiven, um reale Anwendungen besser zu unterstützen. Leider wurden durch bestehende ASTE-Methoden mehrere zentrale Herausforderungen, wie das Problem der Überlappung und die Langstrecken-Abhängigkeit, bisher nicht effektiv adressiert, was die Leistungsfähigkeit der Aufgabe einschränkt. In diesem Artikel präsentieren wir einen innovativen Encoder-Decoder-Framework für die end-to-end-ASTE. Konkret wird die ASTE-Aufgabe zunächst als Problem der Vorhersage einer ungeordneten Menge von Triplett-Elementen modelliert, das durch eine nicht-autoregressive Dekodierungsparadigma mit einem Pointer-Netzwerk realisiert wird. Zweitens wird ein neuartiger, hochordnender Aggregationsmechanismus vorgeschlagen, um die tiefgreifenden Wechselwirkungen zwischen überlappenden Strukturen von Aspekt- und Meinungsbegriffen vollständig zu integrieren. Drittens wird eine bipartite Matching-Verlustfunktion eingeführt, um das Training unseres nicht-autoregressiven Systems zu fördern. Experimentelle Ergebnisse auf Benchmark-Datensätzen zeigen, dass unser vorgeschlagenes Framework die derzeit besten Methoden deutlich übertrifft. Eine weitere Analyse belegt die Vorteile des vorgeschlagenen Frameworks bei der Bewältigung des Überlappungsproblems, der Entlastung von Langstrecken-Abhängigkeiten sowie der Dekodierungs-Effizienz.