En la investigación sobre el análisis semántico de sentimientos, los investigadores suelen utilizar algunas reglas de factor, como la utilización de palabras clave emocionales y la definición manual de reglas emocionales, para aumentar la precisión. Sin embargo, este enfoque a menudo requiere datos extensos y un entrenamiento que consume mucho tiempo, por lo que es necesario simplificar y hacer más eficiente el sistema. Reconociendo estos desafíos, nuestro artículo presenta un nuevo sistema de análisis semántico de sentimientos diseñado para ser de mayor calidad y más eficiente. La estructura de nuestro sistema propuesto se organiza en varias fases clave. Inicialmente, nos enfocamos en el entrenamiento de datos, que implica estudiar las emociones y la psicología emocional. Utilizando recursos lingüísticos como HowNet y las técnicas de Procesamiento de Conocimiento e Información Chino (CKIP), desarrollamos reglas emocionales que facilitan la generación de características de representación dispersa. Este proceso también incluye la construcción de un diccionario de representación dispersa. Podemos mapear estos de vuelta al espacio vectorial original resolviendo los coeficientes dispersos, representando dos categorías distintas. Luego, el sistema calcula el error en comparación con el vector original, y se determina la categoría con el error mínimo. La segunda fase implica la introducción de temas y la recopilación de comentarios relevantes de foros de internet para recopilar la opinión pública sobre temas de tendencia. La fase final es la clasificación de datos, donde evaluamos la precisión de los problemas clasificados basándonos en los resultados de nuestro entrenamiento de datos. Además, nuestros resultados experimentales demostrarán la capacidad del sistema para identificar temas candentes, validando así nuestros modelos de clasificación semántica. Este enfoque integral garantiza un sistema más simplificado y efectivo para el análisis semántico de sentimientos.