El análisis de sentimientos basado en aspectos (ABSA), que tiene como objetivo extraer aspectos y opiniones correspondientes de las oraciones y determinar la polaridad del sentimiento del aspecto, ha sido ampliamente estudiado en los últimos años. La mayoría de los enfoques se centran en las subtareas de ABSA y las abordan mediante el método de pipeline o el método de extremo a extremo. Sin embargo, estos enfoques ignoran la información semántica de las etiquetas y la correlación entre las etiquetas. En este estudio, procesamos varias tareas de ABSA en un marco generativo unificado y utilizamos instrucciones para guiar al modelo generativo a aprender las relaciones entre diferentes elementos de sentimiento, identificar con precisión los elementos de sentimiento en las oraciones y mejorar el rendimiento del modelo en el aprendizaje con pocas muestras. Los resultados experimentales en varios conjuntos de datos de referencia muestran que nuestro enfoque logra mejoras significativas en el rendimiento. Entre ellos, para la extracción de términos de aspecto y la tarea de clasificación de sentimientos en el conjunto de datos Laptop 14, nuestro método mejora el puntaje F1 en un 4.08% y un 1.87% en el aprendizaje totalmente supervisado en comparación con el modelo GAS y el modelo PARA, respectivamente. En el aprendizaje con pocas muestras, podemos lograr el 80% del rendimiento del aprendizaje totalmente supervisado utilizando una décima parte del conjunto de datos. Nuestro método puede abordar eficazmente el problema de la escasez de datos en entornos con recursos limitados.