Les réseaux de neurones convolutifs profonds se distinguent par leur efficacité dans la classification de la polarité du sentiment, mais ils nécessitent généralement de grandes quantités de données d’entraînement, qui varient considérablement d’un domaine à l’autre. Dans ce travail, nous proposons une approche permettant d’introduire des indices génériques dans le processus d’entraînement de ces réseaux, afin d’améliorer leur capacité de généralisation en présence de données d’entraînement limitées. Nous suggérons d’obtenir des embeddings de sentiment par une supervision basée sur des données extrinsèques, qui sont ensuite intégrés au modèle via un composant mémoire dédié. Nous observons des gains significatifs en efficacité sur une variété de jeux de données couvrant sept langues différentes.