Tief verbundene neuronale Netze erzielen hervorragende Ergebnisse bei der Klassifikation der Sentiment-Polarität, erfordern jedoch in der Regel erhebliche Mengen an Trainingsdaten, die zudem zwischen verschiedenen Domänen erheblich variieren können. In dieser Arbeit präsentieren wir einen Ansatz, bei dem generische Hinweise während des Trainings solcher Netze integriert werden, um die Generalisierungsfähigkeit unter begrenzten Trainingsdaten zu verbessern. Wir schlagen vor, Sentiment-Embeddings durch Supervision auf extrinsischen Daten zu erzeugen, die anschließend über eine spezielle, auf Speicher basierende Komponente dem Modell zugeführt werden. Wir beobachten signifikante Effizienzsteigerungen auf einer Vielzahl unterschiedlicher Datensätze in sieben verschiedenen Sprachen.