随着“互联网+旅游”的快速发展,我国在线预订酒店规模迅速扩大。消费者能够在酒店预订平台上发表自己的体验和评价,成为用户做出预订决策和酒店管理人员做出管理决策、评估自身服务质量以及挖掘消费者需求的重要途径。在酒店评论中,包含消费者对酒店服务质量评价的情感倾向,以及对具体评价对象的一个评价。对这些文本进行分析、处理、归纳和总结,对用户分析、市场调查以及探索影响酒店服务质量影响因素有重要参考意义。本文对从携程上收集的88家酒店,共104740条评论,进行情感分类和实体关系抽取,对文本进行情感分类,并抽取其中的评价对象和评价词及其对应关系。对情感分类模型的构建,本文通过人工对评论进行情感标注,分为正面情感和负面情感,其中正负样本比例为9:1,利用Focal Loss代替交叉熵作为情感分类模型的损失函数,该损失函数能够降低简单样本的权重,关注困难样本的训练。本文构建了三个不同网络结构的模型,Text_CNN扩展模型、混合神经网络模型以及FastText模型进行集成学习,在单个模型中FastText模型表现最好,F值为0.8587,通过集成学习能够将F值提高至0.9003,AUC值达到0.9295,较单一模型分类效果有一定程度上的提升。本文提出“EA+BIOES”标注策略对评论文本中的评价对象和评价词进行标注,输入到Bi-LSTM+CRF模型对其训练。利用标注策略将抽取任务转换为序列标注任务,消除传统先进行实体识别再进行关系抽取的累计误差,实现联合实体关系抽取。其中句子中出现的第一个评价对象的F值能够达到0.8387,总体实体的F值为0.7258。本文提出了一种能够大规模从酒店评论中提取消费者观点倾向及实体情感知识的有效方法,为进一步构建酒店评价信息知识谱图提供思路。