L’analyse de sentiment basée sur les aspects (Aspect-based sentiment analysis, ABSA) a fait l’objet d’études approfondies ces dernières années. Elle repose généralement sur quatre éléments fondamentaux : la catégorie d’aspect, le terme d’aspect, le terme d’opinion et la polarité du sentiment. Les travaux existants se concentrent généralement sur la détection partielle de ces éléments, plutôt que sur la prédiction simultanée des quatre dans une seule étape. Dans ce travail, nous introduisons la tâche de prédiction des quadruplets de sentiment d’aspect (Aspect Sentiment Quad Prediction, ASQP), visant à détecter conjointement tous les éléments du sentiment sous forme de quadruplets pour une phrase exprimant une opinion donnée. Cette approche permet de révéler une structure de sentiment au niveau des aspects plus complète et plus complète. Nous proposons également un nouveau paradigme de modélisation \textsc{Paraphrase}, qui reformule la tâche ASQP comme un processus de génération de paraphrases. D’une part, cette formulation par génération permet de résoudre ASQP de manière end-to-end, réduisant ainsi la propagation d’erreurs potentielle inhérente aux approches en pipeline. D’autre part, les significations des éléments du sentiment peuvent être pleinement exploitées grâce à l’apprentissage de leur génération sous forme de langage naturel. Des expériences étendues sur des jeux de données standards démontrent l’efficacité de notre méthode proposée, ainsi que la capacité de transfert inter-tâches offerte par le cadre unifié de modélisation \textsc{Paraphrase}.