近年来,人们的旅游出行需求不断增加,旅游业逐渐在社会经济中占据了重要地位。信息化时代的到来给旅游业注入了新的生机,将先进的信息技术应用于旅游业为游客提供个性化、高满意度的服务是非常具有前瞻性的研究方向。住宿是旅游过程中的重要一环,在智能终端逐渐成为人们便捷生活中的重要工具之后,游客更倾向于通过各类旅游网站或应用预订酒店,同时会在消费之后留下文本评论数据表达入住体验。然而这类数据往往高达TB或者PB级,同时这类数据中包含的信息往往是繁乱的,游客难以从中获取感兴趣的有效信息。本文拟利用深度学习方法从海量的文本评论数据中过滤无用的噪声信息,挖掘出酒店各项服务的质量分数,为游客选择酒店提供建议。本文的主要工作包含以下四个部分:1.研究网络爬虫技术,分析某大型旅游网站的网页结构,使用Scrapy框架和Selenium自动化工具设计了对应的数据爬取方案,并将数据存储至SQL Server数据库中以建立大型的酒店评论数据集。2.提出了一种基于无监督注意力机制的要素词抽取算法。该算法分别为每个要素类别准备正负样本数据,使用无监督注意力机制模型运行多个二分类任务,使得模型拟合每个要素类别的特征以能够为要素词分配更高的注意力权重,将模型得到的要素词汇作为词典的种子词汇,然后在模型构建的词向量空间内进行词汇扩容以得到最终的要素类别词典,最后通过模型对比实验证明了所提出算法的有效性。3.提出了一种交互式注意力机制的卷积GRU神经网络模型用于要素级情感分析任务。该模型在词嵌入层融合了位置信息和词性标注信息以使得句子中相隔要素词不同距离和不同词性类别的词汇在模型训练中获得不同的权重。然后将CNN和Bi-GRU相结合,有效地提取句子中复杂的语义和序列特征以及特定要素的相关性。并且给予要素词和上下文词汇平等对待,建立交互式注意力机制监督注意力权重的生成。在Sem Eval2014数据集上和公开酒店评论数据集上进行的模型性能对比实验证明了所提出模型的有效性。4.根据酒店的详细信息和细粒度的评论数据情感信息,设计了RESTful API的酒店评论数据可视化系统。该系统包含地图展示模块、住客满意度模块、住客印象模块和竞品分析模块,各模块间的交互为用户在选择酒店时提供了决策支持。