如今互联网发展迅速,信息传播十分便捷。微博作为目前主流的社交网络平台之一,是一种重要的信息传播载体,是获取信息和交流讨论的重要平台,在潜移默化中影响着人们对事物的思考和选择。民众在该平台上关注新冠疫苗的各种信息,并发表自己的看法和意见,其在新冠病毒疫苗的信息传播中有较重要的作用。本文的研究能够丰富中文文本分析的相关研究,有助于得到新冠疫苗舆论的热点话题,了解网民对相关话题的情感倾向,有效地做好新冠疫苗宣传和舆论引导工作。本文的研究工作主要有三个部分。在获取与处理数据部分。第一,爬取新冠疫苗的热门微博数据和微博对应的评论数据;第二,对数据进行去除重复值和空值的数据清洗;第三,根据文本特点,对不同的文本数据进行不同的文本处理,得到微博文本数据集和评论文本数据集。在主题分析部分。根据微博文本数据集进行主题分析。第一,利用TF-IDF算法对文本数据进行向量。第二,构建不同主题数量的LDA主题模型,通过计算困惑度得到最优主题数量。第三,根据最优主题数量得到不同主题的关键词,观察主题的关键词对每类主题进行定义,从而得到新冠疫苗舆论相关的五种热点话题。第四,根据定义好的主题类别给微博评论数据赋予主题标签,后续研究中根据主题类别来研究网民的情感倾向。在情感分析部分,根据评论文本进行情感分类。第一,根据标注的微博评论文本数据,划分网格搜索数据集和模型所需数据集。第二,利用网格搜索法确定Bi-LSTM模型的最优参数。第三,利用训练集和验证机来训练Bi-LSTM模型,通过测试集得到模型的评价指标,评价Bi-LSTM模型的效果。第四,根据设定好参数的Bi-LSTM模型预测新冠疫苗评论数据的情感。第五,计算不同热点主题下网民的情感分类,从网民的情感倾向来分析新冠疫苗的舆论热点。实验结果表明,在主题分析中,TF-IDF算法更适合主题提取特征的划分,传统的LDA主题能较好地从微博文本数据中提取新冠疫苗舆论热点的主题,主题的关键词区分度较大并且容易解释,得到“工作实施”、“研发技术”、“接种进程”、“国外情况”和“注意事项”这五个话题。在情感分析中,将Word Embedding和Bi-LSTM模型结合,对评论文本进行“积极”和“消极”情感的分类,能够较好地识别网民的情感。最后,从主题划分和情感倾向两个方面进行分析,得到两个结论,一是网民对于“工作实施”和“接种进程”这两个主题的积极情感比例最高,对于“注意事项”主题的积极情感比例最低;二是大部分主题下网民的积极情感比例随时间推移而上升,分析得到民众前期不愿意接种新冠疫苗的主要原因。