Aspect-basierte Sentimentanalyse (ABSA) zielt darauf ab, Sentiment-Tupel aus einem Satz zu extrahieren. Recente generative Ansätze wie Seq2Seq-Modelle haben gute Leistungen erzielt, indem sie die Ausgabe als Folge von Sentiment-Tupeln formulierten. Allerdings existieren zwischen den Sentiment-Tupeln keine natürlichen Ordnungen, und die Generierung eines aktuellen Tupels sollte nicht von den vorherigen abhängen. In diesem Paper stellen wir Seq2Path vor, um Sentiment-Tupel als Pfade eines Baums zu generieren. Ein Baum kann „1-zu-n“-Beziehungen darstellen (z. B. kann ein Aspektbegriff mehreren Meinungsbegriffen entsprechen), und die Pfade eines Baums sind unabhängig voneinander und besitzen keine Ordnung. Für das Training betrachten wir jeden Pfad als unabhängiges Ziel und berechnen den durchschnittlichen Verlust des herkömmlichen Seq2Seq-Modells über alle Pfade. Für die Inferenz wenden wir Beam-Search mit eingeschränkter Dekodierung an. Durch die Einführung eines zusätzlichen diskriminativen Tokens und die Anwendung einer Datenverstärkungstechnik können gültige Pfade automatisch ausgewählt werden. Wir führen Experimente auf fünf Aufgaben durch, darunter AOPE, ASTE, TASD, UABSA und ACOS. Unser Ansatz wird auf vier gängigen Benchmark-Datensätzen evaluiert, darunter Laptop14, Rest14, Rest15 und Rest16. Unser vorgeschlagener Ansatz erreicht in fast allen Fällen die bisher beste Leistung (state-of-the-art).