Bei der Sentimentanalyse (SA) von Produktbewertungen haben sich sowohl Nutzer- als auch Produktdaten als nützlich erwiesen. Aktuelle Ansätze behandeln Nutzerprofile und Produktdaten in einem einheitlichen Modell, das möglicherweise nicht in der Lage ist, die charakteristischen Merkmale von Nutzern und Produkten effektiv zu lernen. In dieser Arbeit schlagen wir ein duales Nutzer- und Produktspeichernetzwerk (DUPMN) vor, um Nutzerprofile und Produktbewertungen mit separaten Speichernetzwerken zu erlernen. Anschließend werden die beiden Darstellungen gemeinsam für die Sentimentvorhersage verwendet. Die Verwendung separater Modelle zielt darauf ab, Nutzerprofile und Produktdaten effektiver zu erfassen. Im Vergleich zu den besten einheitlichen Vorhersagemodellen zeigten die Bewertungen auf drei Benchmark-Datensätzen, IMDB, Yelp13 und Yelp14, dass unser duales Lernmodell Leistungsgewinne von 0,6 %, 1,2 % und 0,9 % erzielt hat. Die Verbesserungen werden auch durch p-Werte als sehr signifikant angesehen.