L’analyse de sentiment axée sur les aspects (Aspect-based Sentiment Analysis, ABSA) attire de plus en plus d’attention récemment. La plupart des travaux existants abordent l’ABSA de manière discriminative, en concevant divers réseaux de classification spécifiques à la tâche pour la prédiction. Bien que ces méthodes soient efficaces, elles négligent les richesses sémantiques des étiquettes présentes dans les problèmes d’ABSA et nécessitent des conceptions très spécifiques à chaque tâche. Dans cet article, nous proposons de traiter diverses tâches d’ABSA dans un cadre unifié génératif. Deux paradigmes, respectivement de type annotation et de type extraction, sont conçus afin de permettre l’entraînement en reformulant chaque tâche d’ABSA comme un problème de génération de texte. Nous menons des expériences sur quatre tâches d’ABSA à travers plusieurs jeux de données standard, où notre approche générative proposée atteint de nouveaux états de l’art dans presque tous les cas. Cela valide également la grande généralité du cadre proposé, qui peut être facilement adapté à toute tâche d’ABSA sans nécessiter de conception supplémentaire de modèle spécifique à la tâche.