نقدم شبكة ذاكرة عميقة لتصنيف المشاعر على مستوى الجوانب. على عكس نماذج SVM القائمة على الخصائص والأنماط العصبية التسلسلية مثل LSTM، فإن هذا النهج يلتقط بشكل صريح أهمية كل كلمة سياقية عند استنتاج قطب المشاعر لجانب معين. يتم حساب درجة الأهمية وتمثيل النص من خلال عدة طبقات حسابية، كل منها هو نموذج انتباه عصبي فوق ذاكرة خارجية. أظهرت التجارب التي أجريت على مجموعات بيانات الأجهزة المحمولة والمطاعم أن نهجنا يؤدي بشكل مماثل لنظام SVM القائم على الخصائص الأكثر تقدماً، وأفضل بكثير من هندسة LSTM وأنماط LSTM القائمة على الانتباه. في كلا المجموعتين من البيانات، أظهرنا أن الطبقات الحسابية المتعددة يمكن أن تحسن الأداء. بالإضافة إلى ذلك، فإن نهجنا سريع أيضًا. الشبكة العميقة للذاكرة ذات الطبقات التسعة أسرع 15 مرة من LSTM باستخدام تنفيذ المعالج (CPU).