Wir präsentieren eine einfache, aber effektive Methode zur Aspektidentifikation in der Sentimentanalyse. Unser unüberwachtes Verfahren erfordert lediglich Wortvektoren und einen Teil-of-Speech-Tagger (POS-Tager) und ist daher einfach auf neue Domänen und Sprachen anwendbar. Wir führen Contrastive Attention (CAt) ein, ein neuartiges Einzelkopf-Aufmerksamkeitsmechanismus basierend auf einem RBF-Kern, der die Leistung erheblich verbessert und das Modell interpretierbar macht. Frühere Arbeiten stützten sich auf syntaktische Merkmale und komplexe neuronale Modelle. Wir zeigen, dass bei der Einfachheit aktueller Benchmark-Datensätze für die Aspektextraktion solche komplexen Modelle nicht erforderlich sind. Der Code zur Reproduktion der in dieser Arbeit beschriebenen Experimente ist unter https://github.com/clips/cat verfügbar.