Die meisten bestehenden Modelle für aspect-basierte Sentimentanalyse (ABSA) prognostizieren lediglich die Sentimentpolarität eines einzelnen Aspekts gleichzeitig und konzentrieren sich hauptsächlich darauf, die Repräsentation dieses einen Aspekts anhand der übrigen Kontextinformationen oder anderer Aspekte zu verbessern. Dieses ein-zu-eins-Paradigma ignoriert jedoch die Tatsache, dass Sätze mit mehreren Aspekten und mehreren Sentimentrichtungen nicht nur unterschiedliche spezifische Beschreibungen für jeweils unterschiedliche Aspekte enthalten, sondern auch gemeinsame, globale Kontextinformationen, die mehrere Aspekte betreffen. Um diese Aspekte vollständig zu berücksichtigen, schlagen wir einen ein-zu-viele-ABSA-Framework namens You Only Read Once (YORO) vor, der gleichzeitig die Repräsentationen aller Aspekte auf der Grundlage ihrer spezifischen Beschreibungen modellieren und deren Beziehungen durch global geteilte Kontextinformationen im Satz effizienter fusionieren kann. Die gleichzeitige Vorhersage der Sentimentpolarität mehrerer Aspekte ist vorteilhaft für die Verbesserung der Berechnungseffizienz und Genauigkeit der Vorhersage. Umfassende Experimente wurden auf drei öffentlichen Datensätzen (MAMS, Rest14 und Lap14) durchgeführt. Die experimentellen Ergebnisse belegen die Wirksamkeit von YORO bei der Behandlung von Szenarien mit mehreren Aspekten und mehreren Sentimentrichtungen und unterstreichen das Potenzial des ein-zu-viele-ABSA-Ansatzes, Effizienz und Genauigkeit optimal zu balancieren.