深度卷积神经网络在情感极性分类任务中表现优异，但通常需要大量训练数据，且不同领域间的数据分布差异显著。本文提出一种将通用线索引入此类网络训练过程的方法，在训练数据有限的情况下显著提升了模型的泛化能力。我们通过在外部数据上施加监督信号来生成情感嵌入，并借助一个专用的基于记忆的组件将这些嵌入注入模型。在七种不同语言的多个数据集上，实验结果表明该方法取得了显著的性能提升。