深層畳み込みニューラルネットワークは感情極性分類において優れた性能を発揮するが、その一方で、ドメインによって大きく異なる大量の訓練データを必要とする傾向がある。本研究では、このようなネットワークの訓練プロセスに一般的な手がかり（cues）を導入する手法を提示し、限られた訓練データ条件下でもより優れた汎化能力を実現することを目指す。具体的には、外部データ（extrinsic data）に基づく教師信号を用いて感情埋め込み（sentiment embeddings）を誘導し、それを専用のメモリベースのコンポーネントを通じてモデルに供給するアプローチを提案する。この手法は、7つの異なる言語で構成される複数のデータセットにおいて、顕著な性能向上を実現した。