蔡金勇 羅浩杰 李澤星 沈洋

摘要：本文旨在利用數(shù)據(jù)分析對游客對景區(qū)與酒店的評價進行數(shù)據(jù)挖掘，由于游客滿意度與目的地美譽度緊密相關(guān)，游客滿意度越高，目的地美譽度就越大。找出其中穩(wěn)定客源、取得競爭優(yōu)勢、吸引游客到訪消費等的主要原因。這對于旅游企業(yè)科學(xué)監(jiān)管、資源優(yōu)化配置以及市場持續(xù)開拓具有長遠而積極的作用。

關(guān)鍵詞：數(shù)據(jù)分析;jieba分詞; 停用詞; 均方誤差; 編輯距離

一、問題重述

提升景區(qū)及酒店等旅游目的地美譽度是各地文旅主管部門和旅游相關(guān)企業(yè)非常重視和 關(guān)注的工作，涉及到如何穩(wěn)定客源、取得競爭優(yōu)勢、吸引游客到訪消費等重要事項。游客滿意度與目的地美譽度緊密相關(guān)，游客滿意度越高，目的地美譽度就越大。

二、景區(qū)及酒店印象分析

（一）使用方法

我們將會用到j(luò)ieba分詞的方法，有三種分詞模式

（1） 精確模式：試圖將句子最精確地切開，適合文本分析;

（2） 全模式：把句子中所有的可以成詞的詞語都掃描出來， 速度非常快，但是不能解決歧義問題;

（3） 搜索引擎模式：在精確模式的基礎(chǔ)上，對長詞再次切分，提高召回率，適合用于搜索引擎分詞。

（二）問題解決

1.目的地TOP20熱門詞

本節(jié)使用jieba模塊中的精準(zhǔn)模式對網(wǎng)評文本進行分詞，再使用中文常用停用詞（中文停用詞表“cn_stopwords.txt”，哈工大停用詞表“hit_stopwords.txt”，百度停用詞表“baidu_stopword.txt”，四川大學(xué)機器智能實驗室停用詞庫“scu_stopwords.txt”）表對文本進行過濾，遍歷所有詞語，每出現(xiàn)一次加一，再將對應(yīng)鍵值轉(zhuǎn)換為列表，根據(jù)詞語出現(xiàn)的次數(shù)進行從到大到小進行排列，將排名前二十的熱詞及熱度輸出。

2. 每家酒店和景區(qū)的印象詞云表

我們將景區(qū)評論及酒店評論使用JupyterNotebook將其轉(zhuǎn)換為矩陣，新建一個空列表list1，創(chuàng)建一個循環(huán)，將矩陣中第一列一樣的評論依此增加如list1中，每次添加完一次之后對list1進行分詞及過濾之后將前20個數(shù)據(jù)保存入對應(yīng)名稱的后綴為.csv的文件中。

總結(jié)：由于數(shù)據(jù)處理對象為景區(qū)評論和酒店評論，我們選用停用詞表時可以選用針對性較強的，可以過濾更多無關(guān)詞語。分詞方法有很多，可以針對不同情況使用。待分詞的字符串可以是 unicode 或 UTF-8 字符串、GBK 字符串。注意：不建議直接輸入 GBK 字符串，可能無法預(yù)料地錯誤解碼成 UTF-8

三、景區(qū)及酒店的綜合評價

1. 數(shù)學(xué)模型及相應(yīng)算法

我們對問題一中的熱度數(shù)據(jù)對景區(qū)及酒店的服務(wù)、位置、設(shè)施、衛(wèi)生、性價比進行分析，在列表中衛(wèi)生熱度只有1931，而與其近似的干凈則占熱度3459，所以我們決定用干凈的熱度來表示衛(wèi)生的熱度。以及列表中性價比的熱度為2237，與其近似的便宜熱度為3190，及免費2360，考慮到有可能會有一句網(wǎng)評中都包含了這幾個詞語，所以我們決定用熱度較高的便宜來表示性價比的熱度。然后對這五個求權(quán)重得到下表：

提取出這五個的權(quán)重生成5×1的矩陣mat3，mat3則為評分權(quán)重矩陣。再將酒店評分提取出來生成5×50的矩陣mat1，將景區(qū)評分提取出來生成5×50的矩陣mat2。

用x1=np.dot（mat1，mat3）求得對酒店評分的預(yù)測矩陣，x2= np.dot（mat2，mat3）求得對景區(qū)的預(yù)測矩陣，在excel表中提取出酒店評分真實值y1及景區(qū)評分真實值y2。然后使用預(yù)測矩陣x減去真實矩陣y，分別得到差值矩陣d1，d2。

然后使用預(yù)測矩陣x減去真實矩陣y，分別得到差值矩陣d1，d2。

最后使用均方誤差進行模型判斷：

MSE：

計算酒店評分的均方誤差：np.dot（np.transpose（d1），d1）/50

計算景區(qū)評分的均方誤差：np.dot（np.transpose（d2），d2）/50

計算酒店加景區(qū)評分的均方誤差：

（np.dot（np.transpose（d2），d2）+np.dot（np.transpose（d1），d1））/100

得到MSE（酒店）≈0.0098

MSE（景區(qū)）≈ 0.0121

MSE（酒店+景區(qū)）≈ 0.0109

當(dāng)MSE越小，我們建立的模型越好。

四、網(wǎng)評文本的有效性分析

出于各種原因，網(wǎng)絡(luò)評論常常出現(xiàn)內(nèi)容不相關(guān)、簡單復(fù)制修改和無有效內(nèi)容等現(xiàn)象，為了解決這個問題，我們使用了計算編輯距離的方法。

1.算法

編輯距離，又稱Levenshtein距離（也叫做Edit Distance），是指兩個字串之間，由一個轉(zhuǎn)成另一個所需的最少編輯操作次數(shù)，如果它們的距離越大，說明它們越是不同。許可的編輯操作包括將一個字符替換成另一個字符，插入一個字符，刪除一個字符。

代碼實現(xiàn)：

Levenshtein.distance（’abc’，’cba’）

Levenshtein.distance（’kitten’，’sitting’）

2.問題解決

通過計算編輯距離，我們剔除距離小于0.5的數(shù)據(jù)，使得數(shù)據(jù)更加簡潔，提高數(shù)據(jù)有效性。

在執(zhí)行過程中，為了減少計算，我們首先對數(shù)據(jù)進行了清洗，主要用到了去停用詞，結(jié)巴精準(zhǔn)分詞等方法，然后計算編輯距離。但是通過對比較結(jié)果進行分析，我們發(fā)現(xiàn)距離普遍較小，即相關(guān)性普遍較大，無法進行有效剔除。因此我們放棄了此方法，選擇分析文本。

我們將每個文本與后面的文本進行比較，得到對應(yīng)的相關(guān)性（代碼用的是1-aa，因此，值越靠近1相關(guān)性越強）：

我們將這些篩選出的相關(guān)度高的數(shù)據(jù)進行剔除，就整理出來了一個更有效的數(shù)據(jù)。