随着旅游业的快速发展,民宿已经成为旅游者外出落脚的首要方式。对网络平台上的民宿评论进行情感分析,有利于游客进行选择,商家进行针对性的改进。不同于传统的文本情感分类方法,方面级情感分类旨在识别出一个句子中不同方面的情感极性。以更细粒度的方式来进行分析,可以挖掘出用户对民宿不同特征的情感倾向。故利用方面级情感分类方法去分析民宿评论数据是十分有意义的。近年来,由于方面级情感分类任务的复杂性,传统的深度学习方法很容易提取到一个句子中其它方面项的意见词特征。也有研究者试图利用依赖解析器获取依赖关系,从而定位意见词信息,然而依赖解析器不能面向特定的方面项解析,所以在一个句子中存在两个或者两个以上的方面项时,解析器容易将不同方面项的意见词错误的连接起来,除此之外,以往的研究中没有将每个词的词性引入到判断情感极性的依据中,从而影响了情感极性的判断。针对以上不足,本文研究基于句法依存信息的方面级民宿评论情感分类方法并实现系统。主要包含以下几个方面的工作:1、给出一种民宿评论的批量获取方法以及包含去噪、词性标注、依赖解析、词向量化的数据预处理方法。该方法首先利用requests库批量获取评论数据并保存到本地,然后对爬取的民宿评论进行去除网络符号、去除停用词、去除URL的去噪操作,紧接着使用Jieba工具获取每个词的词性,利用DDParser生成依赖解析树,最后使用预训练的ERNIE进行词向量化操作。2、给出一种基于序列标注的方面项提取算法。该算法首先使用预训练的ERNIE学习完整概念的语义表示,再经过Bi LSTM提取关键特征,接下来将完整的隐状态序列接入线性层,获取每个可能标签的分数,最后通过CRF学习句子前后依赖并提取出方面项。通过实验结果表明,本文给出的方面项提取算法比经典算法效果更好。在准确率、精确率、召回率和F1值上,该算法分别达到了96.24%、98.16%、98.13%、和98.14%,与同领域经典算法BERT-Bi LSTM-CRF相比分别提高了1.67%、2.09%、1.66%、1.88%。3、给出一种基于句法依存信息的方面级民宿评论情感分类算法。该算法首先重构一个面向方面的依赖解析树,它可以更好的将方面项和意见词联系起来,然后引入词性关注机制,重点关注与方面项具有依赖关系的潜在意见词,之后通过GCN聚合给定词性权重的与方面项相邻的节点的特征向量,接下来将全局特征同局部特征进行拼接,再通过多头自注意力机制融合特征,最后进行分类得出情感极性。为避免过拟合,本文使用了L2正则化并加入了dropout层。通过实验结果表明,本文给出的方面级民宿评论情感分类算法比经典算法效果更好。在准确率、精确率、召回率和F1值上,该算法分别达到了97.15%、94.12%、91.37%和92.72%,与经典算法BERT-SPC相比分别提高了1.05%、2.7%、1.12%、1.89%。4、实现并运行测试方面级民宿评论情感分类系统。根据系统的各部分功能进行开发,然后对整个系统进行运行测试。运行测试结果表明,在共200个民宿评论中,本系统在环境、性价比、设施等10个方面都可以预测情感极性,并且预测效果较好。通过实验表明,该系统能够较好的提高任务的准确率和有效性。通过本文的方法研究与系统实现,为商家和游客提供更直观的用户评价信息,这些信息既有利于商家进行针对性的改进,又为游客选择更适合自己的民宿提供了决策依据,从而促进了旅游业与民宿行业的发展。