2020年初疫情爆发,各地陆续进入“静默”状态,公民的日常由线下转为线上。互联网用户通过社交媒体平台获取疫情态势、政策发布以及社会新闻等相关信息,对新闻内容发表自己的见解或抒发情绪。由于疫情初期公民信息获取不对称,恐慌焦虑的情绪较为普遍。负面的网络氛围导致网络舆情态势复杂多变,隐患丛生。及早发现舆情隐患并积极响应,通过解释、披露、惩治和监管等方法正确地对舆情加以引导,能够及时控制住舆情态势,避免更大范围的不良影响。对舆情引导效果的评估工作能够帮助管理者回溯事件经过,积累有效引导方法,同时发现工作中的不足并及时调整策略,不断完善引导方案。本论文主要基于互联网爬取的2020年1月至4月的微博内容进行分析,提出了多种舆情引导效果评估指标,并通过主题演化和情感分析验证评估指标的合理性与有效性。本文主要工作及创新点如下:（1）为解决数据标注问题,避免纯人工标注引入的主观影响,本文采用伪标签法构建微博新闻及评论的情感多分类标注数据集。使用SMP2020-EWECT数据集训练预打标模型,并对微博评论标注,筛选达到预测阈值的标注评论并人工核验。（2）本文构建了基于聚类的LDA主题模型,对每日微博用户发布及热搜进行主题提取,并对舆情持续期间的主题提取结果聚类,实现对疫情期间舆情主题分布的细分。细分的主题分布能更具体的展示网民的关注重点及关注点的变化过程,有助于更加细致、全面的主题演化分析工作。（3）本文提出了一种基于双向注意力机制的情感多分类模型,在微博评论与新闻间建立注意力流。评论到新闻的注意力感知上下文,新闻到评论的注意力为情感识别引入更多的语义信息。相较Bi GRU-self-Attention模型,本文模型的准确率提高了3.61%。（4）本文提出了一组舆情引导措施评价指标和一组舆情实际引导效果评价指标,并对各指标进行解释说明。上述指标可对舆情引导措施的有效性和实际效果进行评价,帮助管理者回溯引导过程和引导效果,有助于总结经验和完善引导方案。