在信息大爆炸的时代,互联网已经越来越被人们依赖。新兴的社交媒体平台,如微博和微信深受广大用户的喜爱,用户通过使用诸如此类的社交软件可以方便快捷地发布文字、图片和视频,进而促进彼此之间信息交流。人们通常在微博下通过评论来表达个人看法和抒发情感,并且通过微博即时了解各类讯息。分析微博评论数据有助于政府快速了解当前的舆论环境。政府可以及时的对舆论进行积极的引导,进行危机公关等。传统的情感分析算法大多都是基于词注意力机制结合Bi LSTM算法,这就导致此类方法过分依赖分词的准确性,无法更多的关注文本内部的序列关系。传统的情感分析算法更多的是针对文本段落较大用词也比较规范的中长文本。而微博评论的特点为短小简洁,且有大量的表情符号和垃圾信息,因此传统的情感分析算法不适用于微博评论。针对微博评论的特点本文提出了将评论分为三种类型:垃圾评论、主观评论和客观评论。通过使用特征提取和机器学习的方法对垃圾评论、主观评论和客观评论进行了剥离和提取,剔除了垃圾评论和客观评论两大类来降低文本中的噪声。然后对主观评论数据文本进行字向量的切割的同时,采用Bi LSTM结合自注意力机制的方法构建情感分析算法,通过Softmax分类器获取情感类别,预测微博评论中的情感极性。通过在中文信息学会提供的公开数据集进行实验后得出最终实验结果,本文采用字向量结合Self-Attention和Bi LSTM算法更适合于微博评论的情感分析。相比较于传统的情感分析算法在算法的准确率上提高了1.65%。本文主要研究微博评论的情感分析,对预设预警值的微博进行报警操作,帮助政府公职人员以及预警系统管理员更好的了解舆情走势,快速响应舆情信息。经过系统实验测试后,证明了本文所提出的字向量结合Self-Attention和Bi LSTM微博评论情感分析系统有着较高的可靠性。