Los métodos existentes de predicción de sentimientos a menudo solo clasifican las emociones de los usuarios en unas pocas categorías y no pueden predecir la variación de emociones en diferentes temas. Mientras tanto, los métodos de incorporación de redes que consideran información estructural a menudo asumen que los enlaces representan relaciones positivas, ignorando la posibilidad de relaciones negativas. Para abordar estos desafíos, presentamos un enfoque innovador en el análisis de sentimientos, centrándonos en la construcción de una red de información heterogénea firmada más densa a partir de datos heterogéneos dispersos. Exploramos la extracción de relaciones latentes entre tipos de nodos similares, integrando la reversión emocional y la similitud de meta-ruta para la predicción de relaciones. Nuestro enfoque maneja de manera única las relaciones usuario-entidad y tema-entidad, ofreciendo una metodología personalizada para diversos tipos de entidades dentro de redes heterogéneas. Contribuimos a una comprensión más profunda de las expresiones emocionales e interacciones en las redes sociales, mejorando las técnicas de análisis de sentimientos. Los resultados experimentales en cuatro conjuntos de datos disponibles públicamente demuestran la superioridad de nuestro modelo propuesto sobre los enfoques de vanguardia.