Die Offenbereichs-zielgerichtete Stimmungsanalyse (open-domain targeted sentiment analysis) strebt danach, Meinungsziele zusammen mit deren Stimmungspolaritäten in einem Satz zu erkennen. Frühere Arbeiten formulieren diese Aufgabe in der Regel als ein Sequenztagging-Problem. Allerdings leidet eine solche Formulierung an Problemen wie einem großen Suchraum und Stimmungsinkonsistenzen. Um diese Probleme zu bewältigen, schlagen wir einen span-basierten Extrahier-und-Klassifizier-Rahmen vor, bei dem mehrere Meinungsziele unter der Aufsicht von Zielspan-Grenzen direkt aus dem Satz extrahiert werden und die entsprechenden Polaritäten dann mithilfe ihrer Span-Darstellungen klassifiziert werden. Wir untersuchen ferner drei Ansätze innerhalb dieses Rahmens, nämlich das Pipeline-Modell, das Joint-Modell und das Collapsed-Modell. Experimente auf drei Benchmark-Datensätzen zeigen, dass unser Ansatz konsistent besser abschneidet als die Baseline des Sequenztaggings. Darüber hinaus stellen wir fest, dass das Pipeline-Modell im Vergleich zu den beiden anderen Modellen die beste Leistung erzielt.