随着互联网的更新迭代,无形中带动了民宿业往更加多元化的方向迅速发展,因此也产生了许多专门经营民宿的网络平台,与此同时,许多单一经营酒店业务的网络平台也发现了这一商机,纷纷开发了民宿业务。在这些民宿平台中积累了许多住客在线评论的文本数据,住客会针对各个方面给出自己的租住反馈,这些文本评论数据中蕴藏了许多潜在的商业价值,对其做情感分类及LDA主题挖掘对民宿平台、房东和住客都具有着重要的参考意义。本文评论文本的情感分析以爱彼迎平台青岛地区的住客为研究对象,通过人工标注并分割评论内容以获取更清晰的情感偏好,进而更好的挖掘出民宿住客评论文本中的反馈信息,为分类算法的算法对比和LDA主题模型的主题提取提供了更优质的原始文本数据支持。本文综述了目前关于民宿的研究与文本情感研究的相关文献和书籍,将民宿评论情感分析分三部分进行研究:机器学习分类法、深度学习分类法、LDA文本主题聚类,并且对这三部分的文本预处理技术、工具方法、相关理论基础进行整理和总结。然后爬取了爱彼迎民宿平台的住客评论文本数据,基于前两部分的方法分别对评论文本做情感分类,并对比这两部分分类算法的分类效果,在第三部分,对文本评论挖掘出积极情感与消极情感中的主题,并进行分述总结。具体而言,本文首先在Python3的环境下,利用爬虫技术采集了爱彼迎网站平台各民宿住客的评论文本数据和关键词,首先针对原始文本数据做一系列预处理,然后建立Word2vec词向量模型,并对关键性特征通过TF-IDF法进行提取,在分类前按一定比例划分训练集与测试集,然后分别使用机器学习分类法与深度学习分类法对人工标注的分类文本数据集进行分类,最后根据各分类方法的分类结果比较各种方法的精确率、召回率和F1测度值,从而比较各种分类方法的分类效果。在LDA主题提取的研究中,应先对标注的评论文本分词并去除停用词,再导入gensim函数包中的BOW词袋模型对特征进行提取,进而通过困惑度、一致性、LDA可视化图像判断提取的主题数和权重计算值,最后根据提取的各主题总结该主题下民宿住客表达的潜在语义。研究结果表明,基于机器学习的各种分类算法在分类上也有一定差异,综合分类精确率及混淆矩阵,可以发现K近邻的分类效果是最不精确的,其次就是朴素贝叶斯法,而随机森林法在误分类方面表现较好,但综合指标表明支持向量机在机器学习方法中表现最好。而基于深度学习的两种分类方法结果都比较好,卷积神经网络分类结果是最好的,在准确率、召回率和F测度三项指标都达到最佳,而XGBoost虽然效果不如卷积神经网络,但是其分类判别速度较快,也是较好的一种分类算法。在LDA主题模型提取部分,结合关键词提取的分析结果和LDA主题模型对积极情感、消极情感的分析结果,可以得出以下结论:民宿位置、房间内的设施环境、房东的态度、是否临海、交通便利度、性价比等是住客认为民宿表现良好的参照指标,而房间与卫生间的整洁度、房间内的快速消耗品、一些基本的生活物品、卫生间的位置等是住客认为在居住期间感到不是很满意的部分。