La plupart des modèles existants d’analyse de sentiment basée sur les aspects (ABSA) ne prédise qu’un seul sentiment par aspect à la fois, en se concentrant principalement sur l’amélioration de la représentation de cet aspect unique grâce aux contextes ou autres aspects environnants. Ce paradigme un-à-un ignore le fait que les phrases à plusieurs aspects et plusieurs sentiments contiennent non seulement des descriptions spécifiques distinctes pour chaque aspect, mais aussi des informations contextuelles globales partagées entre plusieurs aspects. Afin de prendre pleinement en compte ces aspects, nous proposons un cadre ABSA un-à-plusieurs, appelé You Only Read Once (YORO), capable de modéliser simultanément les représentations de tous les aspects à partir de leurs descriptions spécifiques, tout en fusionnant de manière plus efficace leurs relations grâce à l’information contextuelle globale présente dans la phrase. La prédiction simultanée du sentiment de plusieurs aspects améliore significativement l’efficacité computationnelle et prédictive. Des expériences étendues ont été menées sur trois jeux de données publics (MAMS, Rest14 et Lap14). Les résultats expérimentaux démontrent l’efficacité de YORO dans le traitement des scénarios multi-aspects et multi-sentiments, et soulignent le potentiel du cadre un-à-plusieurs ABSA pour équilibrer efficacité et précision.