Les tâches d'analyse de sentiment basée sur les aspects (ABSA) visent à extraire des tuples de sentiment à partir d'une phrase. Les méthodes génératives récentes, telles que les modèles Seq2Seq, ont obtenu de bons résultats en modélisant la sortie comme une séquence de tuples de sentiment. Toutefois, l'ordre entre ces tuples n'a pas de sens naturel, et la génération d'un tuple courant ne devrait pas dépendre des tuples précédents. Dans cet article, nous proposons Seq2Path, une méthode qui génère les tuples de sentiment sous la forme de chemins dans un arbre. Un arbre permet de représenter des relations « un-à-plusieurs » (par exemple, un terme d'aspect peut correspondre à plusieurs termes d'opinion), et les chemins d'un arbre sont indépendants entre eux, sans ordre implicite. Pour l'entraînement, nous traitons chaque chemin comme une cible indépendante, et calculons la perte moyenne du modèle Seq2Seq classique sur l'ensemble des chemins. Lors de l'inférence, nous appliquons une recherche par faisceau (beam search) avec décodage contraint. En introduisant un jeton discriminatif supplémentaire et en utilisant une technique d'augmentation de données, les chemins valides peuvent être automatiquement sélectionnés. Nous menons des expériences sur cinq tâches, notamment AOPE, ASTE, TASD, UABSA et ACOS. Notre méthode est évaluée sur quatre jeux de données standard, à savoir Laptop14, Rest14, Rest15 et Rest16. Les résultats montrent que notre approche atteint des performances de pointe dans presque tous les cas.