近些年来网络技术的不断更新与进步,无形中也带动了社交媒体的发展与兴起,用户借助网络平台来发表自己的观点与分享自己的心得已然变为越来越普遍的行为,然而随着时间的推移这些评论数量急剧增多,其中绝大多数评论都流露出用户态度、情感色彩等信息,这些信息无论在产品比较与推荐还是舆情跟踪与监控方面都有着无比重要的价值意义。在此背景下,文本情感分析技术迎合了这一态势,成为了当前研究的热门领域。另一方面,随着我国经济的蓬勃发展,人们生活质量的不断提高,越来越多的人趁着闲暇之余去丰富自己的精神世界,而外出旅行就是当下一种较为流行的娱乐消遣方式。当旅行者们完成每一次的入住体验后,在社交平台上撰写的评论就成为了现有消费者以及潜在消费者做出决策的重要参考依据。而经济型快捷酒店具有价格实惠、规模大、分布广泛等特点,成为许多旅游消费者们心中的第一选择。本文在梳理现有的文本情感分类以及LDA主题模型的相关理论基础上,对某品牌的经济型快捷酒店评论文本进行了实证分析。其研究思路如下:首先,利用网络爬虫技术获取到北京市某品牌酒店评论的数据,然后对数据进行了一系列的预处理并进行了人工标注。为了让基于情感词典的文本分类效果更佳,所做的首要工作是将两部较成熟的基础情感词典（HowNet情感词典和NTUSD中文情感词典）进行了合并与去重处理,组合成新的情感词典D,然后分别再利用SO-PMI以及Word2Vec两种算法模型来实现对基础情感词典的扩充,最后将扩充后的情感词语与情感词典D结合构建出酒店领域情感词典。通过对比实验分析,本文构建的词典分类效果最佳。其次,基于机器学习的方法来对酒店评论文本进行情感分类,本文在对特征词向量进行提取时抛开传统的词袋模型与TF-IDF模型相结合的方法,首先利用了 Word2Vec工具模型通过对Wiki中文语料库训练生成词向量,然后再把训练好的词向量来对酒店评论语料实现对特征词向量的抽取。由于Word2Vec模型默认的维度是400维,在不减少原始数据信息的情况下又利用主成分分析来对词向量进行降维处理以减少模型训练与预测的负担。最终每条评论文本由降维后的100维向量来表示并分别将其作为逻辑回归、随机森林、支持向量机这三种分类器模型的输入变量,通过对各自准确率和召回率等模型评价指标的计算结果对比,发现支持向量机的预测效果最好,可以考虑作为线上推广使用。最后,为了挖掘获取到该品牌酒店评论背后更深层次更有价值的信息,分别对归类好的积极与消极评论运用了 LDA主题模型,并对各自提出的主题以及主题词进行全方位的分析,最终根据分析的结果并结合实际对消费者用户以及该品牌酒店商家提供了一些有针对性的建议。