Multimodale Sentiment-Analyse ist ein sich entwickelnder Forschungsbereich, der sich mit der Erkennung von Stimmungen in Videos befasst. Die aktuelle Forschung betrachtet Äußerungen als unabhängige Entitäten, wodurch die Wechselwirkungen und Beziehungen zwischen den Äußerungen eines Videos ignoriert werden. In diesem Paper stellen wir ein LSTM-basiertes Modell vor, das es den Äußerungen ermöglicht, kontextuelle Informationen aus ihrer Umgebung innerhalb desselben Videos zu erfassen, was den Klassifikationsprozess unterstützt. Unser Ansatz zeigt eine Leistungssteigerung um 5–10 % gegenüber dem Stand der Technik und eine hohe Robustheit hinsichtlich der Verallgemeinerungsfähigkeit.