目前,中国网民的规模越来越大,微博作为大型网络社交媒体,为网民们提供了一个表达自己情绪和观点的平台。在这个每天都能快速接收到巨量信息的时代,一些突发的重大事件往往会迅速传播并得到人们的广泛议论。在高度自由化的网络环境中,微博这类传播短文本信息的平台很容易产生舆情危机。了解人们对于热点事件的情感倾向,从而对舆情危机进行及时有效的管控,具有很强的现实意义。在过去热点事件情感分析的研究中,往往分析不够全面。大多通过建立情感词典进行分析,不能识别文本的隐藏含义,算法效果不够好,也很少研究热点事件的主题及情感变化,缺乏对具体事件的分析。本文以近期热点事件的网络舆情为例,在微博上爬取2020年6月至2021年6月之间热度较高且具有代表性的四个热点事件的相关评论信息,将其作为微博热点事件情感分类数据集。此外,数据集还包括:微博情感分类的公开数据集Nlpcc2013和Nlpcc2014。对于评论中中文文字以外的表达形式,过去的论文直接将这些内容进行剔除,本文认为这些数据不能仅看作噪声。本文构建了一个数据集中占比较高的非中文表达转换中文词表,对可能包含情感倾向的非中文表达进行替换。由于人工标注所需的人力成本较高,面对可能出现的数据量小、多样性不足等情况,本文提出在进行情感分析前,先做文本数据的增强。在算法的研究方面,本文基于机器学习方法和深度学习方法对BERT的原生模型进行了改进,通过ALBERT的最后一层与其他分类模型进行多方法组合构建情感分类模型,并在三个数据集上进行验证。结果表明,ALBERT-LR模型和ALBERT-SVM模型有不错的准确性,训练耗时较短,特别是通过ALBERT-SVM进行情感分类,精确率、召回率、F1值相比ALBERT原模型均提升了一到三个百分点。此外,本文选取了新疆棉花事件进行具体的分析,融合TF-IDF和ALBERT对LDA主题模型进行改进,然后通过对评论的主题发现,得到微博用户对于该事件最关注的话题及对应的态度。最后,将每条评论的情感值结合评论的点赞数计算日情感均值和月情感均值,分析事件的演化过程,并且对热点事件分阶段进行主题分析及情感分析。结果表明,人们持有积极态度的时间相对较长,在事件的活跃期,人们的情感有明显的波动,但没有出现过低的日情感均值。可见,大多数人都比较理性地看待该事件。本文通过构建主题分析和情感分析模型研究热点事件的演化过程及人们的态度,为管理部门了解舆情的发展、有效防控舆情危机提供参考。