El análisis de sentimientos tiene como objetivo estudiar, analizar e identificar la polaridad del sentimiento contenido en documentos subjetivos. En el ámbito del procesamiento del lenguaje natural (PLN), el estudio del análisis de sentimientos y su investigación como subtarea es un tema candente, que tiene una importancia muy significativa. Los métodos existentes de análisis de sentimientos basados en léxicos de sentimientos y aprendizaje automático tienen en cuenta información semántica contextual, pero aún carecen de la capacidad para utilizar información de contexto, por lo que no pueden codificar de manera efectiva la información de contexto. Inspirados en el concepto de matriz de densidad en mecánica cuántica, proponemos un método de análisis de sentimientos, llamado Red Neuronal de Memoria a Corto y Largo Plazo Mejorada por Cuántica de Valores Complejos (CQLSTM). Aprovecha el incrustado de valores complejos para incorporar más información semántica y utiliza la Red Neuronal de Memoria a Corto y Largo Plazo Mejorada por Cuántica de Valores Complejos para la extracción de características. Específicamente, se utiliza una red neuronal de valores complejos basada en matriz de densidad para capturar las interacciones entre palabras (es decir, la correlación entre palabras). Además, la Red Neuronal de Memoria a Corto y Largo Plazo Mejorada por Cuántica de Valores Complejos, inspirada en la teoría de la medición cuántica y la red neuronal de memoria a corto y largo plazo cuántica, se desarrolla para aprender las interacciones entre oraciones (es decir, información semántica contextual). Este enfoque codifica de manera efectiva las dependencias semánticas, lo que refleja la dispersión de palabras en el espacio incrustado de oraciones y captura de manera integral la información interactiva y las dependencias a largo plazo entre las características emocionales entre palabras. Se realizaron experimentos comparativos en cuatro conjuntos de datos de análisis de sentimientos utilizando cinco modelos tradicionales, mostrando la efectividad del modelo CQLSTM.