新型冠状病毒来势汹汹,给人们的生命财产和身体健康造成了极大威胁。面临突如其来的危机,新冠肺炎疫情持续引发舆论关注。在防控疫情过程中,疫情的高度未知性和风险性,医疗防疫资源的紧张性,疫情爆发时间的特殊性以及网络信息传播的快速性使得网络舆情更加复杂多变,要求政府具有更高引导舆情的能力。因此,本文通过挖掘新冠肺炎疫情评论以研究舆情在不同阶段的演变过程。本文使用Python的爬虫代码,以“人民日报”、“中国新闻周刊”、“人民网”微博下的评论为研究对象收集文本数据,并对收集到的2019年12月到2020年12月共十三个月的评论文本进行筛选、清洗、分词和去停用词,之后按新冠疫情重大事件将数据划分为五个阶段,分别为疫情前期、疫情爆发期、疫情消退期、疫情反复期和疫情突破期。接着对数据整体特征和不同阶段特征进行描述性分析,使用LDA模型和BTM模型两种主题挖掘方法对不同阶段的微博评论建立主题模型,分别得到每个阶段主题情况,经过对比分析后,将两个模型结果融合获得最终的阶段性热门话题内容。建立Senta-Bi LSTM模型对微博评论进行情感分类,并以可视化形式呈现每个时间段评论文本的情感倾向。最后将情感分析结果与主题挖掘结果结合在一起,以研究舆情在内容和情感两方面的变化动态,观察微博内容与微博评论的情感倾向差异性,判断微博内容是否具有引导作用。研究结果显示,在新冠肺炎疫情的整体过程中,人们的中心论点是积极的。对于微博评论本身,女性意见占多数,上午八点到十点是浏览微博的高峰期。在建立主题模型时,发现LDA模型和BTM模型的主题分析结果各自具有优缺点。LDA模型能够展现文本中更多的细节,但其结果也相对复杂混乱,而BTM模型的结果更加简洁通顺,但缺失了更多内容。对于新冠肺炎疫情主题,分析发现人们在舆情前期更关注新闻信息的真实性,在舆情后期更关心与自身相关的生活问题,关注政府解决问题的态度和方法。在研究新冠肺炎疫情的情感倾向中,发现事件初期和爆发期,人们更倾向于负面输出情绪,随着事件转好和积极引导,正面情感越来越多,而在后期阶段正负面情感的比例也慢慢恢复均衡的比例。此外,微博内容的情感倾向可以引导微博评论的情感方向,正面报道越多,微博评论受到的影响越多。因此,面对重大事件可以设立主题内容和情感倾向等多方面的舆情预警体系,及时预测舆情的出现;在不同阶段采用不同应对舆情的策略;关注民众生活,回应民众的情感诉求,凸显人文情怀,通过报道正面新闻来帮助人们建立信心。