Para abordar las limitaciones del análisis estático y de grano grueso en la minería de reseñas de turismo en línea, este estudio propone un marco de fusión de múltiples modelos basado en atención con compuertas para la evolución dinámica de temas y la minería de patrones de problemas latentes impulsados por quejas. Utilizando 300,000 reseñas de Ctrip y Meituan, fusionamos la semántica global de Sentence-BERT con atención (SBERT-Attention), características locales de Representaciones de Codificadores Bidireccionales de Transformadores - Red Neuronal Convolucional de Texto (BERT-TextCNN), y distribuciones de temas del Modelo de Tema Biterm (BTM) a través de un mecanismo de compuerta aprendible. El modelo fusionado logra una puntuación F1 del 92.3% en la clasificación de reseñas. Particionamos el corpus trimestralmente y aplicamos Aproximación y Proyección de Variedad Uniforme (UMAP) seguido de agrupamiento K-means++ a los vectores fusionados, lo que produce temas interpretables, incluyendo Paisaje, Transporte, Servicios, Gestión, Cultura y Relación Calidad-Precio, y permite el descubrimiento dinámico de temas a lo largo del tiempo. Las visualizaciones de mapas de ríos y el análisis de reseñas negativas revelan patrones de evolución estacional y patrones de quejas recurrentes asociados con temas específicos. El marco permite la minería semántica dinámica e interpretable, avanzando en el procesamiento inteligente del contenido de usuarios en texto corto y ofreciendo un enfoque generalizable para el descubrimiento de conocimiento temporal en turismo inteligente y más allá.