随着旅游行业游客人数的增加、旅游可选地点个数的增加以及选择多样化,旅游过程中伴随的各种安全问题日趋复杂化,旅游安全事故时有发生,给游客生命和财产安全带来的影响不可忽视。因此对旅游异常事件的检测展开研究,有着重要的研究价值和意义。旅游异常事件包括自然灾害类、事故灾害类、公众卫生类、社会安全类,本文针对社会安全类旅游异常事件,利用自然语言处理、机器学习等技术对游客投诉及负面评论进行自动识别检测,挖掘出旅游异常事件(导游违规事件)并预警,辅助旅游监管人员工作,为旅游监管部门提供可靠依据。首先,本文提出了基于层级感知网络(HAN)的旅游负面评论识别方法。先对与本文相关的旅游监管系统进行了介绍,并指明本文检测的旅游异常事件的类型。由此引出旅游情感分析任务。在进行识别任务之前,要先进行旅游投诉及评论文本预处理,包括分词、去掉停用词、文本表示。该方法的核心是层级感知网络模型,它具有捕获文档的层级化特征和不同词语和句子的不同重要性特征的优势。实验表明,相比于其他常用方法,基于层级感知网络的方法获得了最优的效果,说明了本方法在旅游负面评论识别任务上是高效的。然后,本文提出了基于梯度提升决策树算法的导游违规行为识别的方法。先根据现有的条例和制度将导游违规行为分为了五类并进行说明。然后引入基于Word2Vec的旅游词向量模型构建方法,使用旅游新闻语料构建词向量模型,使文本表示更精确。针对现有的文本分类算法准确度不够高和训练耗时较长的问题,引入了梯度提升决策树算法并配合基于梯度的单边采样和独有特征打包。实验表明,使用该方法进行导游违规行为识别任务准确度更高,同时训练时间更少。最后,本文提出了基于上下文增强和回译的导游投诉文本增强方法。该方法由基于上下文增强方法和回译方法组合而成,前者对常见的同义词替换操作进行了扩充,同时引入了基于上下文的词语预测模块以配合句子的增删替移方法,可以进行更大量的文本增强同时投诉文本保持原有标签不变。针对导游违规行为识别任务的训练语料较少的问题,该方法对投诉语料进行了增强。实验表明,该方法提升了导游违规行为识别任务的识别效果,并且相对两方法单独分开有着更好的效果。