互联网技术改变了人们信息交流的方式,分享消费感受、评价服务质量、发表个人看法等已成为众多用户的日常习惯。这些评论的文本信息中往往包含了用户对当前评价对象的情感倾向,有效挖掘与利用评价信息是大数据时代提升企业竞争力不可或缺的手段,其核心技术是文本分类。文本分类被广泛应用到自然语言处理的绝大部分场景中,从基于知识的方法逐渐转变为基于统计和机器学习的方法。传统的基于机器学习的文本分类方法普遍存在特征工程复杂和文本向量化表示高维稀疏等问题,使得分类效果不佳。近年来,基于深度学习的文本分类方法在一定程度上克服了传统机器学习方法的不足,提高了文本分类的准确率。因此,本文在对比分析了文本分类的主流方法基础上,提出了融合注意力机制和CNN卷积神经网络的CN&AT-BLSTM模型,利用长短期记忆网络(LSTM)的序列化处理优势,借助序列的长距离依赖信息,提升中文文本分类的准确度。在此基础上,面向酒店服务评价应用场景搭建了实验系统。本文具体研究内容包括:(1)文本分类的过程中一般采取统一语素赋值的方法,导致了重要语素丢失或非重要语素冗余的问题,针对这一问题,基于Attention机制和BLSTM模型,设计了AT-BLSTM模型,该模型对文本分类中重要语素进行重点关注,提升了文本分类的准确度。(2)文本分类过程中存在短文本特征稀疏,特征提取效果差的现象,针对这一问题,基于卷积神经网络CNN模型和AT-BLSTM模型,设计了CN&AT-BLSTM模型,该模型对特征稀疏文本进行有效特征提取,提升了文本分类的准确度。(3)在模型训练过程中,一方面应用Adam优化算法,加快了模型的收敛速度,另一方面加入Dropout技术,缓解了模型在小规模数据集上的过拟合现象。(4)基于系统框架和融合的分类模型,设计了酒店评论文本情感分析系统。对评论输入模块、数据预处理模块、评论分类模块、评论查询模块和评论监测模块进行了详细设计,最后实现了系统的功能。