Die aspectbasierte Sentimentanalyse (ABSA) hat in letzter Zeit zunehmend Aufmerksamkeit erhalten. Die meisten bestehenden Ansätze behandeln ABSA auf diskriminative Weise, indem sie verschiedene, auf die jeweilige Aufgabe zugeschnittene Klassifizierungsnetze entwerfen, um Vorhersagen zu treffen. Trotz ihrer Effektivität ignorieren diese Methoden die reichhaltige Label-Semantik in ABSA-Aufgaben und erfordern umfangreiche, auf die spezifische Aufgabe zugeschnittene Modellgestaltung. In diesem Artikel schlagen wir vor, verschiedene ABSA-Aufgaben in einem einheitlichen generativen Rahmen zu bearbeiten. Zwei Paradigmen, nämlich annotierungsartige und extraktionsartige Modellierung, werden entworfen, um den Trainingsprozess zu ermöglichen, indem jede ABSA-Aufgabe als ein Textgenerierungsproblem formuliert wird. Wir führen Experimente an vier ABSA-Aufgaben auf mehreren Benchmark-Datensätzen durch, wobei unser vorgeschlagener generativer Ansatz in fast allen Fällen neue SOTA-Ergebnisse erzielt. Dies bestätigt auch die hohe Allgemeingültigkeit des vorgeschlagenen Rahmens, der problemlos auf beliebige ABSA-Aufgaben übertragen werden kann, ohne dass zusätzliche, auf die Aufgabe zugeschnittene Modellgestaltung erforderlich ist.