El análisis de sentimientos del texto de microblogs siempre ha sido un campo de investigación desafiante debido a la información contextual limitada y compleja. Sin embargo, la mayoría de los métodos de análisis de sentimientos existentes para microblogs se centran en clasificar la polaridad de las palabras clave emocionales, ignorando la transición o el impacto progresivo de las palabras en diferentes posiciones en la estructura sintáctica china sobre el sentimiento global, así como la utilización de emojis. Con este fin, proponemos la red de memoria a largo y corto plazo bidireccional mejorada por emoción y semántica (BiLSTM) con el modelo de mecanismo de atención de múltiples cabezas (EBILSTM-MH) para el análisis de sentimientos. Este modelo utiliza BiLSTM para aprender la representación de características de los textos de entrada, dado el embedding de palabras. Posteriormente, se utiliza el mecanismo de atención para asignar los pesos de atención de cada palabra al análisis de sentimientos basado en el impacto de los emojis. Los pesos de atención se pueden combinar con la salida de la capa oculta para obtener la representación de características de las publicaciones. Finalmente, la polaridad del sentimiento del microblog se puede obtener a través de la capa de conexión densa. Los resultados experimentales muestran la viabilidad de nuestro modelo propuesto en el análisis de sentimientos de microblogs en comparación con otros modelos de referencia.