一个完整的餐饮服务评价情感倾向分析系统，可能需要爬虫爬取相关数据，然后用Python数据预处理一下，通过数据做一个可视化大屏包括词云图，利用机器学习或者深度学习建立一个情感倾向模型，将评价根据情感分类为积极或消极。分析评价情感倾向与评价时间之间的相关性，探究用户在不同时间段对餐饮服务的情感倾向。对建立的情感倾向模型进行性能评估，包括准确度、召回率等指标的计算与分析，评估模型的误差和可靠性。爬虫得自己去爬取，需要完成的代码，包括爬虫，数据预处理过程，可视化大屏，数据建模等

对于构建一个完整的餐饮服务评价情感倾向分析系统，确实需要进行一系列的步骤和代码实现。下面是大致的流程和所需的代码：

1. 爬虫爬取相关数据：使用Python的爬虫框架（如Scrapy）编写爬虫程序，针对特定的餐饮服务网站或社交媒体平台，获取用户评价数据。这里主要是获取评价文本和相关信息。

2. 数据预处理：对爬取到的原始数据进行清洗和预处理，包括去除HTML标签、处理缺失值、去除重复数据等。可以使用Python的数据处理库（如Pandas）进行数据清洗和处理。

3. 可视化大屏：使用Python的数据可视化库（如Matplotlib、Seaborn、Plotly）进行词云图的生成和其他可视化效果的展示。可以根据评价文本的情感倾向进行分类显示，如积极评价和消极评价的词云图。

4. 情感倾向模型建立：可以使用机器学习算法（如朴素贝叶斯、支持向量机、随机森林）或深度学习算法（如循环神经网络、卷积神经网络）建立情感倾向分类模型。通过使用已经标注好的数据集进行训练，以将评价文本划分为积极或消极。

5. 评价情感倾向与时间相关性分析：使用Python的统计分析库（如Pandas、NumPy）对评价时间和情感倾向之间的相关性进行分析，可以绘制折线图或热力图等可视化图表。

6. 模型性能评估：使用已有的标注数据集进行模型的性能评估，计算准确度、召回率等指标。可以使用Python的机器学习库（如Scikit-learn）提供的评估函数进行计算和分析。

需要说明的是，以上的步骤和代码只是一个大致的框架，具体的实现和代码编写需要根据实际情况和需求进行调整和完善。另外，为确保代码的质量和可靠性，建议进行适当的单元测试和异常处理，以及遵循良好的软件工程实践。