El análisis de sentimientos (SA) analiza datos en línea para descubrir información para una mejor toma de decisiones. Las técnicas convencionales de SA de texto son efectivas y fáciles de entender, pero encuentran dificultades al manejar datos dispersos. Las Redes Neuronales Profundas (DNNs) sobresalen en el manejo de la dispersión de datos pero enfrentan desafíos con datos ruidosos y de alta dimensionalidad. Incorporar conocimientos semánticos y de sentimientos del dominio es crucial para avanzar en el análisis de sentimientos. Para abordar estos desafíos, proponemos un enfoque innovador de análisis de sentimientos híbrido que combina modelos DNN establecidos como RoBERTA y BiGRU con un mecanismo de atención, junto con ingeniería de características tradicionales y reducción de dimensionalidad a través de PCA. Esto aprovecha las fortalezas de ambas técnicas: las DNN manejan semánticas complejas y características dinámicas, mientras que los métodos convencionales destacan en interpretabilidad y extracción eficiente de sentimientos. Esta combinación complementaria fomenta un modelo de análisis de sentimientos robusto y preciso. Nuestro modelo se evalúa en cuatro conjuntos de datos de análisis de sentimientos de texto de referencia del mundo real ampliamente utilizados: MR, CR, IMDB y SemEval 2013. El modelo híbrido propuesto logró resultados impresionantes en estos conjuntos de datos. Estos hallazgos destacan la efectividad de este enfoque para tareas de análisis de sentimientos de texto, demostrando su capacidad para mejorar el rendimiento del análisis de sentimientos en comparación con los métodos propuestos anteriormente.