Diese Arbeit stellt eine neue Methode zur Klassifizierung der Sentimentpolarität von Aspekten in Produktbewertungen vor. Wir bezeichnen sie als Bitmask-Bidirektionale Lang-Short-Term-Memory-Netzwerke (Bitmask-BiLSTM). Sie basiert auf Long-Short-Term-Memory-(LSTM)-Netzwerken, einem in der Verarbeitung natürlicher Sprache häufig diskutierten Modell. Unser vorgeschlagenes Verfahren nutzt eine Bitmaskenschicht, um gezielt auf relevante Aspekte zu fokussieren. Die Methode wird an Bewertungen aus den Domänen Restaurant und Laptop anhand dreier bekannter Wettbewerbe evaluiert: SemEval-2014 Task 4, SemEval-2015 Task 12 und SemEval-2016 Task 5. Sie erzielt wettbewerbsfähige Ergebnisse im Vergleich zu aktuellen State-of-the-Art-Methoden auf Basis von LSTM-Netzwerken. Zudem zeigen wir den Nutzen der Verwendung von Sentiment-Lexika sowie domain-spezifischer Wortembeddings im Bereich der aspektbasierten Sentimentanalyse.