范珈瑜

山東財(cái)經(jīng)大學(xué)，山東 濟(jì)南 250014

基于文本挖掘的游客對(duì)古鎮(zhèn)旅游態(tài)度的分析

范珈瑜

山東財(cái)經(jīng)大學(xué)，山東 濟(jì)南 250014

圍繞游客的反饋，分析古鎮(zhèn)旅游項(xiàng)目存在的問題及游客的態(tài)度。選取了5個(gè)各具特色的古鎮(zhèn)——甲居藏寨、西江千戶苗寨、周莊古鎮(zhèn)、黃姚古鎮(zhèn)、西塘古鎮(zhèn)作為參考。利用大量的評(píng)論進(jìn)行文本挖掘、統(tǒng)計(jì)詞頻，分析熱門話題。再運(yùn)用情感分析得到評(píng)分，進(jìn)而分析游客的好感度及可能影響評(píng)價(jià)的因素。最后，結(jié)合因子分析建立綜合模糊評(píng)分模型，以計(jì)算古鎮(zhèn)旅游的最終得分。研究結(jié)果可作為參考，以此優(yōu)化改善古鎮(zhèn)旅游體驗(yàn)，保護(hù)歷史文明遺址。

文本挖掘；古鎮(zhèn)旅游；情感分析；因子分析；模糊綜合評(píng)價(jià)模型；方差分析

1 引言

據(jù)中國旅游研究院發(fā)布 的《中國旅游經(jīng)濟(jì)藍(lán)皮書》和統(tǒng)計(jì)數(shù)據(jù)顯示，中國旅游業(yè)飛速發(fā)展，2015年入境旅游3年來首次增長。旅游產(chǎn)業(yè)成為帶動(dòng)經(jīng)濟(jì)發(fā)展的重要驅(qū)動(dòng)力。開發(fā)特色景區(qū)成為了許多經(jīng)濟(jì)滯后的偏遠(yuǎn)地區(qū)刺激經(jīng)濟(jì)發(fā)展的重要策略。其中，開發(fā)具有本土文化特色的古鎮(zhèn)旅游很受歡迎。但是效益驅(qū)動(dòng)的景區(qū)開發(fā)愈演愈烈，市場各種形式的旅游消費(fèi)方式層出不窮。由于缺乏對(duì)旅游市場的管理經(jīng)驗(yàn)和過度追逐經(jīng)濟(jì)效益等因素，導(dǎo)致許多景區(qū)開發(fā)過度，甚至市場持續(xù)混亂。例如，部分古鎮(zhèn)景區(qū)充斥著各種物非所值的消費(fèi)、不適當(dāng)?shù)钠茐娘L(fēng)貌的現(xiàn)代化建設(shè)等。而這些可見的問題長期積壓，卻一直未得以解決。在不同的媒體報(bào)道里不難找到民眾對(duì)旅游體驗(yàn)做出的負(fù)面評(píng)價(jià)——對(duì)門票制度、旅游環(huán)境等表示不符合預(yù)期，但是各景點(diǎn)的旅游人次每年屢攀新高。游客對(duì)古鎮(zhèn)旅游的態(tài)度到底怎樣，游客的評(píng)判標(biāo)準(zhǔn)和關(guān)注熱點(diǎn)是什么，哪些因素可能會(huì)影響古鎮(zhèn)旅游體驗(yàn)，可以運(yùn)用大數(shù)據(jù)對(duì)游客的態(tài)度進(jìn)行探索，從而為解決這些問題提供參考。

本文結(jié)合當(dāng)前流行的文本挖掘方法，選取了對(duì)幾個(gè)古鎮(zhèn)旅游的網(wǎng)絡(luò)評(píng)論進(jìn)行文本處理。先提取高頻詞，分析游客的關(guān)注熱點(diǎn)，對(duì)幾個(gè)旅游景點(diǎn)橫向比較的同時(shí)，再內(nèi)部縱向比較游客對(duì)哪個(gè)旅游屬性比較敏感。再利用情感分析SnowNLP組件進(jìn)行情感分析。運(yùn)用分析結(jié)果探索游客對(duì)敏感屬性的態(tài)度是否影響最后對(duì)該景點(diǎn)的總體好感度。最后構(gòu)建模糊綜合評(píng)價(jià)模型，從而可以得到在大數(shù)據(jù)的支持下游客對(duì)古鎮(zhèn)旅游的總體態(tài)度。

2 數(shù)據(jù)描述和方法

2.1 獲取數(shù)據(jù)及數(shù)據(jù)預(yù)處理

使用數(shù)據(jù)采集器從網(wǎng)站①http://www.mafengwo.cn采集所需的評(píng)論詞條組成數(shù)據(jù)。本文一共采集了6647條分別關(guān)于甲居藏寨、西江千戶苗寨、周莊古鎮(zhèn)、黃姚古鎮(zhèn)、西塘古鎮(zhèn)的評(píng)論。對(duì)采集的數(shù)據(jù)用R軟件預(yù)處理?，F(xiàn)在已有很多程序包可以調(diào)用， 如jieba 和Rwordseg等，本文運(yùn)用的是Rwordseg。Rwordseg是基于Java的程序包，使用它進(jìn)行分詞時(shí)要調(diào)用Java分詞工 具Ansj②Ansj是基于中國科學(xué)院計(jì)算技術(shù)研究所ICTCALS（Institu te of Computing Technolgy,Chinese Lexical Analysis System）中文分詞算法的開源工具。

首先將采集到的評(píng)論進(jìn)行分詞處理，即依據(jù)語義將一句話切分成一個(gè)個(gè)的詞，例如，“我也喜歡周莊”分詞成：“我”“也”“喜歡”“周莊”。雖然分成了一個(gè)個(gè)的詞，但是句子里有一些沒有意義的停詞，如例子中的“也”，要將其過濾掉，該過程使用一個(gè)含有1000多個(gè)停詞的詞庫，可以實(shí)現(xiàn)停詞過濾。分詞這一步尤為重要，分詞效果的好壞直接影響了后面分析的準(zhǔn)確性。依據(jù)Rwordseg包里自帶的詞典，文本被分為一個(gè)個(gè)的詞。為了提高準(zhǔn)確度，還添加了搜狗詞庫里針對(duì)旅游這一話題的詞。為了提取有用的信息，進(jìn)一步過濾掉一個(gè)字的詞。最后統(tǒng)計(jì)5個(gè)景點(diǎn)的評(píng)論詞頻。截取排序前20的詞，見表1。

依據(jù)統(tǒng)計(jì)的各景點(diǎn)的詞頻制作詞云圖，讓統(tǒng)計(jì)結(jié)果更加直觀，便于尋找主要屬性特征。鑒于一些高詞頻結(jié)果與研究目的無關(guān)（如關(guān)于周莊的詞頻統(tǒng)計(jì)里，“周莊”一詞出現(xiàn)了1894次，顯然，這是對(duì)周莊的評(píng)論，自然“周莊”是高頻詞）。篩選掉無意義的高頻詞，制作得到詞云圖，如圖1～圖5所示。

表 1 詞頻

2.2 總結(jié)熱點(diǎn)詞及情感分析

基于詞頻統(tǒng)計(jì)結(jié)果，分析詞頻表，合并同義詞，再組成話題熱詞。例如，5個(gè)景點(diǎn)都有對(duì)景區(qū)門票、景區(qū)內(nèi)物價(jià)的評(píng)論。把該類關(guān)于消費(fèi)的詞組合并，提取出一個(gè)屬性，叫做“價(jià)格制度”。其中，黃姚古鎮(zhèn)的“門票”“學(xué)生證”“免費(fèi)”等詞的詞頻數(shù)之和為119，可計(jì)算價(jià)格制度詞頻數(shù)及該話題所占比重。最終得到的屬性見表2。

圖1 甲居藏寨詞云圖

圖2 西江千戶苗寨詞云圖

本文還運(yùn)用了 Python對(duì)文本進(jìn)行情感分析，其中運(yùn)用了SnowNLP③https://github.com/isnowfy/snownlp組件。SnowNLP是一個(gè)利用Python編寫的類庫，主要針對(duì)中文分詞等文本處理，優(yōu)點(diǎn)是自帶了一些訓(xùn)練好的字典，用起來比較方便，準(zhǔn)確度也高。Python軟件運(yùn)行情感分析的SnowNLP庫。其計(jì)算情感指數(shù)的原理是：首先，規(guī)定情感為兩類——積極情感和消極情感。根據(jù) 貝葉斯定理，文本屬于積極類（C）的概率是由類別的概率P(C)乘以每個(gè)文本在類別C中的條件概率得來的：

表2 特征屬性的詞頻及比重

圖3 周莊古鎮(zhèn)詞云圖

圖4 黃姚古鎮(zhèn)詞云圖

圖5 西塘古鎮(zhèn)詞云圖

其中，count(di,C)表示詞di在C中出現(xiàn)的次數(shù)，TC是C類別的詞總數(shù)，n是進(jìn)行分類的文本中詞組的數(shù)量。運(yùn)用該組件得到的評(píng)分結(jié)果取值范圍是（0,1）。

3 研究結(jié)果及數(shù)據(jù)展示

3.1 熱點(diǎn)話題的構(gòu)成情況

從圖6可以得到直觀的結(jié)論?？v向來看，對(duì)于每個(gè)古鎮(zhèn)，其歷史文化被提到的次數(shù)最多?？梢钥闯?，游客選擇到古鎮(zhèn)旅游的目的是明確的，這一類旅游項(xiàng)目提供的主要是歷史人文的氛圍。在5個(gè)景區(qū)的屬性占比里，自然風(fēng)光占總關(guān)注度比例最少（除了西江千戶苗寨），自然風(fēng)景也不是該類旅游項(xiàng)目的重點(diǎn)。研究對(duì)象中，周莊的歷史人文關(guān)注度最高。西江千戶苗寨的民族特色占比最多，其次是自然風(fēng)光。而深入了解可知，西江千戶苗寨主打的苗族特色鮮明，并且房屋依山而建，加上山頂?shù)挠^景臺(tái)，人文與自然風(fēng)景相結(jié)合，因此游客對(duì)風(fēng)景的關(guān)注度也比較高。甲居藏寨的關(guān) 注熱點(diǎn)是獨(dú)具的藏族民俗文化和建筑風(fēng)格，即民族特色，包括特有的少數(shù)民族的習(xí)俗、特有的人文風(fēng)貌。西塘古鎮(zhèn)的話題結(jié)構(gòu)與周莊古鎮(zhèn)相似，也有江南水鄉(xiāng)的美譽(yù)。

橫向來看，最具特色的是西江千戶苗寨和甲居藏寨，自然風(fēng)景占比最高的是西江千戶苗寨，而最具人文歷史的景區(qū)是周莊古鎮(zhèn)。每個(gè)景點(diǎn)都有不同程度的商業(yè)化，其中較為嚴(yán)重的是黃姚古鎮(zhèn)、周莊古鎮(zhèn)、西塘古鎮(zhèn)這3個(gè)景區(qū)。可以從過去景區(qū)規(guī)劃和發(fā)展里看出，這些地方已經(jīng)被開發(fā)得比較好了，但是過度商業(yè)化造成大多古鎮(zhèn)雷同，失去自身特色。西江千戶苗寨和甲居藏寨商業(yè)化較輕，這與地理位置有關(guān)，一般來說偏遠(yuǎn)村落能更好地保持其原生態(tài)。在價(jià)格消費(fèi)方面，西江千戶苗寨的關(guān)注度是最少的。經(jīng)查評(píng)論，黃姚古鎮(zhèn)、周莊古鎮(zhèn)和西塘古鎮(zhèn)的門票關(guān)注度是價(jià)格屬性里最高的，可見人們對(duì)景區(qū)門票等收費(fèi)制度也是比較看重的。

3.2 收費(fèi)制度對(duì)評(píng)分的影響

單因素方差分析用來分析一個(gè)因素是否明顯造成兩組數(shù)據(jù)的不同。其中，實(shí)驗(yàn)結(jié)果P值是決定是否接受原假設(shè)的關(guān)鍵閾值，它體現(xiàn)了實(shí)驗(yàn)組別之間差別的顯著性。如果P值小于0.05，就有統(tǒng)計(jì)意義；如果大于0.05，說明所有組別都沒有差別，即這個(gè)因素不對(duì)樣本造成影響。在景點(diǎn)屬性里，評(píng)論展現(xiàn)了人們對(duì)景區(qū)的價(jià)格制度具有較多的負(fù)面評(píng)價(jià)，而門票價(jià)格是價(jià)格制度里的主要組成。為證實(shí)人們確實(shí)不滿意景區(qū)的收費(fèi)制度，以門票為因素，假設(shè)其不對(duì)評(píng)論結(jié)果造成影響，進(jìn)行單因素方差分析。若實(shí)驗(yàn)結(jié)果P值小于0.05，拒絕原假設(shè)，并認(rèn)為門票制度確實(shí)對(duì)評(píng)價(jià)結(jié)果造成顯著差別。

圖6 各屬性比重

表3 單因素方差分析結(jié)果

除了西江千戶苗寨的評(píng)論對(duì)門票關(guān)注度比較低，其他幾個(gè)景點(diǎn)都很高。因此分析各景點(diǎn)門票是否對(duì)最終體驗(yàn)好感度造成明顯差異是有必要的?；谇楦蟹治鲚敵鼋Y(jié)果，對(duì)各古鎮(zhèn)門票進(jìn)行單因素方差分析。先將包含“門票”一詞的評(píng)論和沒有該詞的評(píng)論分開，單獨(dú)構(gòu)成數(shù)據(jù)，再進(jìn)行單因素方差分析，分析結(jié)果見表3。本節(jié)沒有包括西江千戶苗寨的方差分析結(jié)果，原因是只有該古鎮(zhèn)的實(shí)驗(yàn)結(jié)果P值大于0.05，“門票”因素才不造成顯著影響，無需進(jìn)一步討論。觀察表3的實(shí)驗(yàn)結(jié)果可知，門票確實(shí)對(duì)甲居藏寨、周莊古鎮(zhèn)、西塘古鎮(zhèn)、黃姚古鎮(zhèn)的游客的評(píng)分造成顯著影響。并且包含門票的評(píng)分均值都低于不包含門票的評(píng)分均值。查看包括“門票”的原評(píng)論，發(fā)現(xiàn)不少人表示門票漲價(jià)，但景區(qū)內(nèi)容質(zhì)量卻沒變。甚至有商販在不該收取門票的地方收取費(fèi)用，還出現(xiàn)一些欺騙案例?？梢姽沛?zhèn)的旅游市場秩序欠缺嚴(yán)格的管理，導(dǎo)致游客對(duì)這方面有強(qiáng)烈的負(fù)面情緒。

4 古鎮(zhèn)模糊綜合評(píng)價(jià)模型

本節(jié)將對(duì)整個(gè)古典旅游進(jìn)行最終評(píng)分。每個(gè)古鎮(zhèn)由于地理位置、開發(fā)程度和所在地的經(jīng)濟(jì)發(fā)展等因素不同，游客的好感度也會(huì)受影響。有的省份注重旅游業(yè)的發(fā)展，旅游市場規(guī)劃和管理得較好，且服務(wù)業(yè)的發(fā)達(dá)程度也會(huì)影響人們的滿意度。為了對(duì)古鎮(zhèn)的旅游作出最終評(píng)分，構(gòu)建了一個(gè)模糊綜合評(píng)分模型。由于旅游業(yè)屬于第三產(chǎn)業(yè)，為了方便獲取數(shù)據(jù)，筆者取各景區(qū)所在地的第三產(chǎn)業(yè)占比作為因子分析的數(shù)據(jù)。目的是依據(jù)各地的第三產(chǎn)業(yè)的重要性決定各景區(qū)的權(quán)重。把5個(gè)景點(diǎn)當(dāng)作5個(gè)不同的屬性，旅游業(yè)發(fā)展規(guī)劃良好的地區(qū)應(yīng)賦予較大權(quán)重。

4.1 第三產(chǎn)業(yè)占比的因子分析

因子分析的基本目的就是用少數(shù)幾個(gè)因子描述許多指標(biāo)或因素之間的聯(lián)系，即將比較密切的幾個(gè)變量歸在同一類中，每一類變量就成為一個(gè)因子，以較少的幾個(gè)因子反映原資料的大部分信息。每個(gè)因子中，因子載荷越大，說明該因子對(duì)結(jié)果的貢獻(xiàn)越大。運(yùn)用因子分析可以得到景區(qū)所屬地區(qū)的第三產(chǎn)業(yè)的貢獻(xiàn)率，即可得到各地區(qū)的旅游業(yè)權(quán)重。所謂權(quán)重，是指某指標(biāo)在整體評(píng)價(jià)中的相對(duì)重要程度。權(quán)重越大，則該指標(biāo)的重要性越高，對(duì)整體的影響就越高。本文選取每個(gè)景區(qū)所屬省份從1990年到2015年第三產(chǎn)業(yè)的貢獻(xiàn)率進(jìn)行因子分析。首先進(jìn)行KMO（Kaiser-Meyer-Olkin）檢驗(yàn)，檢驗(yàn)結(jié)果見表4。KMO是統(tǒng)計(jì)產(chǎn)品與服務(wù)解決方案（ statistical product and service solutions，SPSS）提供的用于判斷原始變量是否適合進(jìn)行因子分析的統(tǒng)計(jì)檢驗(yàn)方法之一。KMO值的大小可以決定是否有進(jìn)一步分析的必要。若KMO值大于0.5，則因子分析可以進(jìn)行。由表4可知，KMO檢驗(yàn)結(jié)果為0.7359，大于0.5，數(shù)據(jù)可以做因子分析，v1～v5表示5個(gè)景區(qū)所屬省份的第三產(chǎn)業(yè)占比。

選取特征值大于1且貢獻(xiàn)率大于80%的因子。只有一個(gè)特征值大于1，為3.32032，見表5。后面4個(gè)因子可以省去，選取特征值最大的公共因子。由因子載荷得到歸一化處理的權(quán)重w，見表6。

4.2 綜合評(píng)價(jià)模型構(gòu)建

為了得到總體游客的態(tài)度，不能單純地計(jì)算評(píng)分結(jié)果的均值。原因是游客的評(píng)價(jià)通常不是單一的積極或消極這么簡單。機(jī)器計(jì)算結(jié)果是基于字面表達(dá)上的積極詞和消極詞得來的。但是具體評(píng)判分值只依據(jù)一段文字表達(dá)不夠準(zhǔn)確。建立模糊評(píng)價(jià)模型可以包容情感分析帶來的文字到數(shù)值轉(zhuǎn)化的誤差。而且由于模糊的方法更接近東方人的思維習(xí)慣，因此更適合對(duì)社會(huì)經(jīng)濟(jì)系統(tǒng)問題進(jìn)行評(píng)價(jià)。

對(duì)5個(gè)景點(diǎn)的情感評(píng)分分別以條件0≤q≤0.3,0.3≤q≤0.6, 0.6≤q≤1分為3組，表示態(tài)度消極、中肯、積極，并計(jì)算各組占比，計(jì)算結(jié)果見表7。把原來0～1的評(píng)分結(jié)果轉(zhuǎn)化成1～5分的評(píng)分標(biāo)準(zhǔn)。轉(zhuǎn)化為5分制后，個(gè)人的情感傾向更加分明。得到比重矩陣R：

將消極、中肯、積極分別賦予分值1、3、5。計(jì)算最終評(píng)分：

最終得到的評(píng)分Q為4.1802，接近5分滿分?？梢钥闯?，雖然游客對(duì)一些商業(yè)化和不合理收費(fèi)等有明顯負(fù)面情緒，但總的來說對(duì)古鎮(zhèn)旅游體驗(yàn)是比較滿意的。該模型可以運(yùn)用到國內(nèi)更多數(shù)量的古鎮(zhèn)旅游的評(píng)分中。

5 結(jié)束語

通過對(duì)網(wǎng)絡(luò)文本數(shù)據(jù)進(jìn)行挖掘和統(tǒng)計(jì)分析以及進(jìn)一步構(gòu)建模糊綜合評(píng)價(jià)模型，得出游客對(duì)古鎮(zhèn)旅游態(tài)度及相關(guān)因素的結(jié)論如下。

表4 KMO檢驗(yàn)

表5 提取因子

表6 因子載荷

表7 情感分組

● 游客選擇古鎮(zhèn)旅游，關(guān)注度最高的是其文化價(jià)值，其次是各個(gè)古鎮(zhèn)的特色及環(huán)境。隨著景區(qū)的開發(fā)，商業(yè)氣息趨嚴(yán)重。而伴隨著商業(yè)化的同時(shí)，每個(gè)古鎮(zhèn)的特色會(huì)削弱，對(duì)游客的體驗(yàn)造成負(fù)面影響。游客對(duì)景區(qū)里的消費(fèi)也十分敏感，在黃姚古鎮(zhèn)、西塘古鎮(zhèn)、周莊古鎮(zhèn)，游客對(duì)商業(yè)化感受比重占到了12%以上，應(yīng)該引起有關(guān)部門的重視，予以管束，在開發(fā)特色旅游的同時(shí)，保護(hù)景區(qū)的環(huán)境，營造良好的歷史文化氛圍。

● 除了不適當(dāng)?shù)纳虡I(yè)化影響游客對(duì)古鎮(zhèn)旅游的態(tài)度，消費(fèi)制度也是關(guān)注熱點(diǎn)。本文研究了游客對(duì)價(jià)格制度的態(tài)度及其影響。結(jié)論基于對(duì)門票價(jià)格的分析，游客確實(shí)對(duì)收費(fèi)制度敏感，且對(duì)收費(fèi)敏感的游客均持負(fù)面評(píng)價(jià)。在選取的5個(gè)研究對(duì)象里，只有一個(gè)古鎮(zhèn)的游客表示門票等收費(fèi)合理。大部分游客認(rèn)為景區(qū)內(nèi)物非所值，甚至抱怨有不透明收費(fèi)的現(xiàn)象。這種充斥著消費(fèi)氣息的古鎮(zhèn)旅游項(xiàng)目不利于長久發(fā)展。景區(qū)應(yīng)結(jié)合自身的服務(wù)設(shè)施等調(diào)節(jié)景區(qū)內(nèi)消費(fèi)價(jià)格，整改冗余的收費(fèi)項(xiàng)目。有關(guān)部門應(yīng)予以管制，規(guī)范旅游市場。

● 結(jié)合地區(qū)第三產(chǎn)業(yè)的比重，得到游客對(duì)古鎮(zhèn)旅游的模糊綜合評(píng)價(jià)。從最終評(píng)分結(jié)果來看，游客的總體態(tài)度是積極的。這也解釋了為什么游客在對(duì)消費(fèi)制度和商業(yè)化如此敏感的情況下，古鎮(zhèn)旅游項(xiàng)目每年接待人次屢創(chuàng)新高。游客對(duì)負(fù)面影響因素有明顯的感知，但是這并沒有打擊游客的積極性。

[1] 李爽, 周璇玲, 丁瑜, 等. 大陸居民赴臺(tái)灣旅游體驗(yàn)感知研究[J]. 旅游論壇, 2015(8):7-20.LI S, ZHOU X L, DING Y, et al. Research on experience perception of mainland residents to Taiwan travel[J]. Tourism Forum, 2015(8): 7-20.

[2] 王耀斌, 楊玲, 孫傳玲, 等. 基于文本挖掘的典型旅游網(wǎng)站旅游分享比較研究[J]. 資源開發(fā)與市場, 2017(1): 100-104.WANG Y B, YANG L, SUN C L, et al.Comparative research on travel sharing of typical travel website based on text mining—taking Gansu province as an example[J]. Resource Development amp;Market, 2017(1): 100-104.

[3] 劉萌玥, 陳效萱, 吳建偉, 等. 旅游景區(qū)網(wǎng)絡(luò)輿情指標(biāo)體系構(gòu)建[J]. 資源開發(fā)與市場,2017(1): 80-84.LIU M Y, CHEN X X, WU J W, et al.Research on construction of index system of tourist attraction network public opinion[J]. Resource Development amp;Market, 2017(1): 80-84.

[4] 魏慧玲. 文本情感分析在產(chǎn)品評(píng)論中的應(yīng)用研究[D]. 北京: 北京交通大學(xué), 2014.WEI H L. Application research of text sentiment analysis in product reviews[D].Beijing: Beijing Jiaotong University, 2014.

[5] 林園園, 戰(zhàn)洪飛, 余軍合, 等. 基于產(chǎn)品評(píng)論的消費(fèi)者情感波動(dòng)分析模型構(gòu)建及實(shí)證研究[J].現(xiàn)代圖書情報(bào)技術(shù), 2016(11): 44-53.LIN Y Y, ZHAN H F, YU J H, et al.Using product reviews to analyze sentiment fluctuation of consumer[J]. New Technology of Library and Information Service, 2016(11): 44-53.

[6] 陳苗, 劉超, 莊俊玲, 等. 基于文本挖掘的臨床帶教評(píng)價(jià)分析[J]. 中國衛(wèi)生統(tǒng)計(jì), 2017(34):59-64.CHEN M, LIU C, ZHUANG J L, et al.Analysis of commands for clinical teaching based on text mining[J]. Chinese Journal of Health Statistics, 2017(34): 59-64.

[7] 陳顧遠(yuǎn), 王超, 劉富強(qiáng), 等. 一種基于微博數(shù)據(jù)的公眾環(huán)境污染情感指數(shù)估算法[C]//2016全國環(huán)境信息技術(shù)與應(yīng)用交流大會(huì)暨中國環(huán)境科學(xué)學(xué)會(huì)環(huán)境信息化分會(huì)年會(huì), 2016年11月24日, 北京, 中國. 北京: 環(huán)境保護(hù)部環(huán)境發(fā)展中心, 2016: 474-481.CHEN G Y, WANG C, LIU F Q, et al.Estimate of public environment-emotional index based on micro-blog data[C]//2016 National Conference on Environmental Information Technology and Application and Annual Meeting of Environmental Information of China Environmental Science Society, November 24, 2016,Beijing, China. Beijing: Environment Development Centre of Ministry of Environmental Protection, 2016: 474-481.

[8] 余維軍. 基于語義情感信息的評(píng)論有用性研究[D]. 重慶: 重慶大學(xué), 2016.YU W J. Research on review helpfulness based on semantic and sentiment information[D]. Chongqing: Chongqing University, 2016.

[9] 耿銘澤. 基于旅游博客的旅游目的地游客滿意度評(píng)價(jià)研究——以海南省為例[D]. ?？? 海南大學(xué), 2010.GENG M Z. A study on the tourist satisfaction degree of tourism destination by travel blogs-a case study of Hainan province[D]. Haikou: Hainan University,2010.

Analysis of tourists’ attitude for ancient towns based on text mining

FAN Jiayu
Shandong University of Finance and Economics, Jinan 250014, China

The tourists’ attitudes and the potential problems coming along with tourism projects were mainly analyzed. Thousands of comments aiming at five different ancient China towns coming from website were collected. Then with text mining, terms frequency was counted, and the hot topics were analyzed. After that, the scores were

with sentiment analysis.Based on the results from sentiment analysis, then the analysis of variance about possible causes influenced travelers’attitudes was given. Ultimately the fuzzy comprehensive evaluation model was built. The result is able to give references for creating a better system of ancient towns traveling program.

text mining, traveling of ancient towns, sentiment analysis, factor analysis, fuzzy comprehensive evaluation model,analysis of variance

TP 391

A

10.11959/j.issn.2096-0271.2017064

范珈瑜（1995-），女，山東財(cái)經(jīng)大學(xué)統(tǒng)計(jì)學(xué)專業(yè)本科生，主要研究方向?yàn)閼?yīng)用統(tǒng)計(jì)學(xué)、大數(shù)據(jù)應(yīng)用。

2017-05-22