我们提出了一种用于方面级情感分类的深度记忆网络。与基于特征的支持向量机（SVM）和诸如长短期记忆网络（LSTM）的序列神经模型不同，该方法在推断某个方面的感情极性时，显式地捕捉每个上下文词的重要性。这种重要性程度和文本表示通过多个计算层进行计算，每一层都是对外部记忆的神经注意力模型。在笔记本电脑和餐厅数据集上的实验表明，我们的方法性能与最先进的基于特征的支持向量机系统相当，并且显著优于LSTM和基于注意力机制的LSTM架构。在两个数据集中，我们还展示了多层计算可以提高性能。此外，我们的方法也非常快速。具有9层的深度记忆网络比CPU实现的LSTM快15倍。