当代社会,随着互联网进入到Web2.0时代,各行各业也在其影响下发生了前所未有的变化,从传统的线下经营模式转变为O2O线下线上相结合的模式。旅游行业亦是如此,从传统的线下旅行社经营模式转变为用户在互联网上随心自主规划路线,预订酒店,从而为用户减少了时间与金钱的预算。与此同时,在互联网上出现了大量与旅游有关的信息,例如:用户旅游出行路线、旅游行业相关服务的评论等等,其中旅游服务评论更是重中之重。它表达了用户对旅游服务的客观评价,能让用户根据评价进行更心仪的选择。而挖掘旅游评论潜在的价值可以为旅游业提供更专业的数据分析和更详尽的改善意见。基于此,本文针对旅游评论做出情感分类以得到用户对旅游景点的满意程度。目前对旅游评论的分析大多只是使用词典做分析,通过抽出句中关键词语作为整个句子的情感分类代表,但是这样缺乏了对句子整体的分析,丢失了部分本该存在的词语的语义信息,导致以偏概全。实际上,对于获取到的句子的情感分类中包括多个方面的情感信息,例如:景色方面、服务方面等等。不同的方面其情感类别也不尽相同,对句子的情感预测如果只是单纯地评估句子整体的情感类别,这样会忽略句中各个方面的情感表达。针对以上问题,本文做了两方面的内容:第一,使用Tree LSTM(tree structured Long Short-Term Memory)模型对旅游评论做情感分类。该模型在理解句子语义时,考虑到句中每一个词的含义,并且增加了句子的句法分析。主要工作包含:整理数据时,采用Borderline-SMOTE方法解决数据不平衡现象;对数据做预处理时,缺乏旅游领域的标注信息,本文通过人为添加的方式增加分词词典和情感词库;模型分析时,使用Glo Ve方法获取旅游领域的词向量。将本文整理的旅游评论作为数据集,验证模型的有效性,通过实验对比,Tree LSTM模型在情感分类中比bi-LSTM的F1值高1.19%,实验表明该模型适合于旅游领域。第二,为了获取到评论中出现的各个方面的情感分类,本文提出一种新的方法ATAE-Tree LSTM(Attention-based Tree LSTM with Aspect Embedding),该方法使用Tree LSTM模型提取特征,在对方面做情感分类时增加了位置信息降低注意力机制的分散。使用标准数据集对模型的有效性进行验证,在单方面的餐厅评论情感分类中,ATAE-Tree LSTM的三分类准确率比bert-hard高0.91%,二分类准确率比bert-hard高0.29%;在2-3个方面的情感分类中,ATAE-Tree LSTM比bert-hard模型的准确率高1.77%,并使用该模型对旅游评论做基于方面的情感分类实验,在单个方面的情感分类中,ATAE-Tree LSTM比Tree LSTM的准确率高1.55%,对旅游评论有较高的分类能力。