Die Analyse von Aspektbegriffen und deren Stimmungen (Aspect-Term Sentiment Analysis, ATSA) ist eine langjährige Herausforderung im Bereich der natürlichen Sprachverarbeitung. Sie erfordert eine feingranulare semantische Analyse des in einem Text erwähnten Zielobjekts. Da die manuelle Annotation von Aspekten aufwendig und zeitaufwendig ist, sind für das überwachte Lernen verfügbare annotierte Daten begrenzt. In dieser Arbeit wird ein semiasupervisiertes Verfahren für das ATSA-Problem vorgeschlagen, das auf einem Variational Autoencoder basierend auf dem Transformer-Modell (VAET) beruht. Dieser modelliert die latente Verteilung durch variationelle Inferenz. Durch die Trennung der latenten Darstellung in aspektbezogene Stimmungen und lexikalischen Kontext induziert unser Verfahren die zugrunde liegende Stimmungsprognose für nicht annotierte Daten, was den ATSA-Klassifikator unterstützt. Unser Verfahren ist klassifikatoragnostisch, d.h., der Klassifikator ist ein unabhängiges Modul und verschiedene fortschrittliche überwachte Modelle können integriert werden. Die experimentellen Ergebnisse wurden anhand der Aufgabe 4 des SemEval 2014 erzielt und zeigen, dass unser Verfahren mit vier klassischen Klassifikatoren effektiv ist. Das vorgeschlagene Verfahren übertrifft zwei allgemeine semiasupervisierte Methoden und erreicht den aktuellen Stand der Technik (state-of-the-art performance).