Con el continuo aumento de la tecnología de la información y las redes sociales, y el crecimiento explosivo de la información de texto en red, la tecnología de análisis de sentimientos de texto ahora desempeña un papel vital en el monitoreo de la opinión pública y el análisis del desarrollo de productos en las redes. Los datos de texto son de alta dimensionalidad y complejos, y la clasificación binaria tradicional solo puede clasificar el sentimiento desde aspectos positivos o negativos. Esto no cubre completamente las diversas emociones de los usuarios y, por lo tanto, el análisis semántico de sentimientos del lenguaje natural tiene limitaciones. Para resolver esta deficiencia, proponemos un nuevo modelo para analizar el sentimiento del texto que combina el aprendizaje profundo y el modelo de representación de codificador bidireccional de transformers (BERT). Primero utilizamos un modelo de lenguaje BERT avanzado para convertir el texto de entrada en vectores de palabras dinámicos; luego, adoptamos una red neuronal convolucional (CNN) para obtener las características emocionales parciales relativamente significativas del texto. Después de la extracción, utilizamos la red neuronal recurrente bidireccional (BiGRU) para capturar de manera bidireccional el mensaje de características contextuales del texto. Finalmente, con el mecanismo MultiHeadAttention obtenemos correlaciones entre los datos en diferentes espacios de información de diferentes subespacios para que la información clave relacionada con la emoción en el texto pueda ser extraída selectivamente. La representación final de características emocionales obtenida se clasifica utilizando Softmax. En comparación con otros métodos existentes similares, nuestro modelo en este artículo de investigación mostró un buen efecto en experimentos comparativos en un conjunto de datos de texto de comercio electrónico, y la precisión y la puntuación F1 de la clasificación mejoraron significativamente.