Cet article présente une nouvelle méthode de classification de la polarité du sentiment par rapport aux aspects dans les avis produits. Nous la nommons réseaux de mémoire à long et court terme bidirectionnels à masque binaire (bitmask bidirectional LSTM). Cette méthode s'appuie sur les réseaux de mémoire à long et court terme (LSTM), un modèle fréquemment cité dans le domaine du traitement automatique des langues. La méthode proposée intègre une couche à masque binaire (bitmask layer) afin de maintenir l'attention portée aux aspects. Nous l'évaluons sur des avis provenant de deux domaines : restaurants et ordinateurs portables, issus de trois concours populaires : SemEval-2014 tâche 4, SemEval-2015 tâche 12 et SemEval-2016 tâche 5. Les résultats obtenus sont compétitifs par rapport aux méthodes de pointe basées sur les réseaux LSTM. En outre, nous démontrons l'intérêt de l'utilisation de lexiques de sentiments et d'embeddings de mots spécifiques à un domaine dans l'analyse de sentiment axée sur les aspects.