Die Sentimentanalyse in Gesprächen hat in den letzten Jahren aufgrund der wachsenden Anzahl möglicher Anwendungen zunehmend an Aufmerksamkeit gewonnen, beispielsweise in Bereichen wie Sentimentanalyse, Empfehlungssysteme und Mensch-Roboter-Interaktion. Der zentrale Unterschied zwischen der Sentimentanalyse in Gesprächen und der Analyse einzelner Sätze liegt in der Verfügbarkeit von Kontextinformationen, die den Sentiment einer Äußerung in einem Dialog beeinflussen können. Die effektive Kodierung solcher Kontextinformationen in Dialogen stellt jedoch weiterhin eine Herausforderung dar. Bisherige Ansätze verwenden komplexe tiefe Lernarchitekturen, um verschiedene Gesprächsparteien zu unterscheiden und anschließend die Kontextinformationen zu modellieren. In diesem Artikel präsentieren wir einen schnellen, kompakten und parameter-effizienten, parteiunabhängigen Ansatz namens bidirektionale emotionale rekurrente Einheit (bidirectional emotional recurrent unit) für die Sentimentanalyse in Gesprächen. In unserem System wird ein verallgemeinerter neuronaler Tensorenblok zusammen mit einem zweikanaligen Klassifikator entworfen, um jeweils die Kontextzusammensetzung und die Sentimentklassifikation durchzuführen. Umfangreiche Experimente an drei Standarddatensätzen zeigen, dass unser Modell in den meisten Fällen die bisherigen State-of-the-Art-Methoden übertrifft.