In dieser Arbeit stellen wir die Aufgabe der zielgerichteten aspektbasierten Sentimentanalyse vor. Das Ziel besteht darin, feingranulare Informationen zu den in Benutzerkommentaren erwähnten Entitäten zu extrahieren. Diese Arbeit erweitert sowohl die aspektbasierte Sentimentanalyse, die von einer einzelnen Entität pro Dokument ausgeht, als auch die zielgerichtete Sentimentanalyse, die von einem einzelnen Sentiment gegenüber einer Zielentität ausgeht. Insbesondere identifizieren wir das Sentiment bezüglich jeder Aspekte einer oder mehrerer Entitäten. Als Testumgebung für diese Aufgabe führen wir den SentiHood-Datensatz ein, der aus einer Frage-Antwort-Plattform (QA-Plattform) extrahiert wurde, auf der Nutzer über städtische Viertel diskutieren. In diesem Kontext erwähnen Textabschnitte oft mehrere Aspekte eines oder mehrerer Viertel. Es ist das erste Mal, dass eine generische soziale Medienplattform – in diesem Fall eine QA-Plattform – für die feingranulare Meinungsextraktion verwendet wird. Texte, die von QA-Plattformen stammen, sind viel weniger strukturiert im Vergleich zu Texten von speziellen Bewertungsplattformen, auf denen aktuelle Datensätze basieren. Wir entwickeln mehrere starke Baseline-Modelle, die auf logistischer Regression und modernsten rekurrenten neuronalen Netzen basieren.