秦海菲，杜軍平

在網(wǎng)購(gòu)中，在線點(diǎn)評(píng)是買家購(gòu)買決策的重要依據(jù)，同時(shí)也是賣家經(jīng)營(yíng)信息反饋的重要環(huán)節(jié)。在線點(diǎn)評(píng)分為數(shù)字評(píng)分和在線評(píng)論。目前，很多學(xué)者專注數(shù)字評(píng)分，因?yàn)閿?shù)字評(píng)分比較直觀，容易理解，但數(shù)字評(píng)分的粒度比較粗、少，且難于細(xì)化，例如同時(shí)被評(píng)為5分的同一家酒店，顧客對(duì)它的感受完全不一樣，有的關(guān)注環(huán)境，有的關(guān)注設(shè)施，有的關(guān)注服務(wù)等。不同的人關(guān)注點(diǎn)不同，興趣點(diǎn)也不同，評(píng)價(jià)也亦不同。從經(jīng)濟(jì)學(xué)和市場(chǎng)理論的角度看，產(chǎn)品和服務(wù)有多維屬性，由于消費(fèi)者的偏好不同，對(duì)功能和服務(wù)的期望也不同，即用戶參考評(píng)論進(jìn)行決策時(shí)，會(huì)依其偏好，只關(guān)注或更加關(guān)注某些方面的特征。只考慮數(shù)值評(píng)分無法反映用戶對(duì)產(chǎn)品的全面和精確的評(píng)價(jià)[1]。因?yàn)槟骋活惍a(chǎn)品的數(shù)字評(píng)分不能為客戶帶來過多的信息，但是在線評(píng)論可以表達(dá)顧客的真實(shí)感受，能夠被購(gòu)買者參考和信賴。在線評(píng)論作為顧客在網(wǎng)絡(luò)上發(fā)布的購(gòu)買體驗(yàn)，對(duì)其他客戶的購(gòu)買決策起著重要的影響，這些體驗(yàn)也是企業(yè)在市場(chǎng)拓展和產(chǎn)品開發(fā)計(jì)劃時(shí)要考慮的重要信息[2]。因此，在線評(píng)論數(shù)據(jù)也變得越來越重要。

隨著網(wǎng)絡(luò)的發(fā)展，用戶生成的數(shù)據(jù)越來越多，引起了利益雙方或多方的廣泛興趣，捕獲這些數(shù)據(jù)并把它們轉(zhuǎn)換為企業(yè)的核心洞察力，可為決策、營(yíng)銷、分析等不同目標(biāo)服務(wù)[1-4]。在線評(píng)論數(shù)據(jù)像大數(shù)據(jù)一樣具有體量巨大，增長(zhǎng)速度快，種類繁多，價(jià)值密度低等特點(diǎn)。從在線評(píng)論數(shù)據(jù)中挖掘出顧客真正關(guān)心的酒店特征和對(duì)酒店的真實(shí)感受，可為酒店的分類提供真實(shí)可靠的依據(jù)，同時(shí)也為酒店的智能推薦奠定基礎(chǔ)。

1 相關(guān)工作

1.1 在線評(píng)論數(shù)據(jù)分析

在消費(fèi)者的決策過程中，在線評(píng)論已成為非常重要的信息來源[5]。研究表明，如果產(chǎn)品被他人推薦，產(chǎn)品的選擇次數(shù)會(huì)增加兩倍，這種影響取決于推薦來源的類型[6]。消費(fèi)者在準(zhǔn)備購(gòu)買產(chǎn)品或服務(wù)時(shí)越來越多地尋求同行的經(jīng)驗(yàn)，超過60%的消費(fèi)者在購(gòu)買前會(huì)咨詢客戶的反饋意見[6]。住宿評(píng)論決定了酒店的在線形象、銷售額和未來收入[5?6]。

目前，對(duì)在線評(píng)論的研究主要是從情感出發(fā)，分析人們對(duì)某一產(chǎn)品的情感色彩和情感傾向，從在線評(píng)論中判斷出人們的喜、怒、哀、樂、批評(píng)、贊揚(yáng)等，從而判斷出這一產(chǎn)品的受歡迎程度。在線評(píng)論挖掘?qū)儆谟^點(diǎn)挖掘，但不同于情感挖掘，情感挖掘只屬于觀點(diǎn)挖掘的一部分。2012年劉冰[7]在情感分析和觀點(diǎn)挖掘一文中對(duì)觀點(diǎn)挖掘涉及相關(guān)技術(shù)進(jìn)行了總結(jié)；2015年Ravi，Guellil等[8?9]充分闡述了觀點(diǎn)挖掘；2016 年 Rana[10]對(duì)觀點(diǎn)挖掘中的方面提取技術(shù)進(jìn)行了綜述；2017年Sun等[11]和李建華等[12]對(duì)觀點(diǎn)挖掘上進(jìn)行進(jìn)一步的總結(jié)和挖掘；2018年韓忠明等[13]對(duì)網(wǎng)絡(luò)評(píng)論方面級(jí)觀點(diǎn)挖掘方法作了綜述研究。酒店是在線評(píng)論的重要內(nèi)容，且酒店在線評(píng)論數(shù)據(jù)的獲取是很方便的，可以從貓途鷹、攜程、美團(tuán)、大眾點(diǎn)評(píng)、驢媽媽、微博、微信等網(wǎng)站上獲取，但從目前的研究看，有影響的研究成果還比較少。

1.2 短文本分析

在線評(píng)論數(shù)據(jù)屬于短文本研究。每個(gè)人每天都在應(yīng)用短文本(短信、微博、微信、評(píng)論、Tweets、facebook等)，短文本與普通文本有很大區(qū)別。短文本是包含有限的上下文，大多數(shù)短文本搜索查詢少于5個(gè)單詞，Tweets是不超過140個(gè)字符短文本[14]。幾乎所有的短文本都在200字以內(nèi)，在線點(diǎn)評(píng)數(shù)據(jù)也不例外。短文本通常不遵循語法，自然語言處理技術(shù)(如詞性標(biāo)注和句法解析等)難于直接應(yīng)用于短文本分析[15]。短文本具有稀疏性強(qiáng)、價(jià)值密度低，實(shí)時(shí)性強(qiáng)、變化大、嘈聲大、規(guī)則性弱等特點(diǎn)。因此，對(duì)短文本的分析比一般的文本分析要難。目前短文本研究多數(shù)都集中在社交網(wǎng)絡(luò)，酒店在線評(píng)論的研究屬于社交網(wǎng)絡(luò)研究中的一部分。

2 酒店在線評(píng)論數(shù)據(jù)的特征挖掘

在線評(píng)論特征的挖掘包括數(shù)據(jù)獲取、數(shù)據(jù)清洗、詞性分析、特征抽取、特征詞確定等環(huán)節(jié)。具體流程如圖1所示。

圖1 基于酒店在線評(píng)論數(shù)據(jù)的特征挖掘Fig. 1 Feature mining based on hotel online review data

2.1 數(shù)據(jù)獲取

在線點(diǎn)評(píng)數(shù)據(jù)包括數(shù)字、文本、圖片等，本文應(yīng)用主題爬蟲在貓途鷹網(wǎng)(tripadvisor)和攜程網(wǎng)(ctrip)上爬取相關(guān)數(shù)據(jù)，去除與主題無關(guān)的各種噪音數(shù)據(jù)(如導(dǎo)航條、廣告信息、版權(quán)信息和其他圖片、圖像、聲音等)，對(duì)獲取到的數(shù)據(jù)進(jìn)行預(yù)處理(主要是去除無關(guān)和重復(fù)的數(shù)據(jù))和清洗。

2.2 數(shù)據(jù)清洗

數(shù)據(jù)清洗是保證數(shù)據(jù)質(zhì)量的關(guān)鍵環(huán)節(jié)，在線評(píng)論數(shù)據(jù)的清洗工作主要包括數(shù)據(jù)預(yù)處理(去特殊標(biāo)記、標(biāo)點(diǎn)等)、分詞、去停用詞、去低頻詞、去高頻非特征詞，具體步驟如圖2所示。

圖2 數(shù)據(jù)清洗的過程Fig. 2 Process of data clean

文本數(shù)據(jù)預(yù)處理：完成多余字符刪除和多余數(shù)據(jù)清除。

分詞：采用中科院分詞和結(jié)巴分詞相結(jié)合的方式，分詞后的數(shù)據(jù)為分詞集1。

去停用詞：在分詞集1中很多詞沒有實(shí)際意義，僅僅代表一種結(jié)構(gòu)，比如介詞、嘆詞、連詞等，把這部分詞集合在一起形成停用詞表。在數(shù)據(jù)清洗中需要將停用詞剔除，以降低特征向量維度，去除停用詞后的詞集為分詞集2。

詞頻統(tǒng)計(jì)：詞頻(term frequency，TF)是指詞或短語在給定文檔中出現(xiàn)的總次數(shù)，通常認(rèn)為詞頻越高，其在文檔中的重要度越高，成為關(guān)鍵詞的可能性越大[16]。在酒店評(píng)論數(shù)據(jù)中，指在評(píng)論中某個(gè)詞出現(xiàn)的次數(shù)。

詞頻排序：對(duì)分詞結(jié)果的詞頻進(jìn)行降序排列，排序結(jié)果為分詞集3。

去低頻詞：對(duì)低頻詞進(jìn)行剔除處理，去除低頻詞后的詞集是分詞集4。

去高頻非特征詞：在線評(píng)論數(shù)據(jù)中，特征不明顯的高頻詞會(huì)削弱特征詞的特性，去除高頻非特征詞的詞集是分詞集5。

2.3 特征詞的抽取

從在線評(píng)論中提取反映評(píng)論主題的特征詞(Keyphrases，包括單詞或詞組)，提取的特征詞需要滿足可讀性相關(guān)性重要性覆蓋度一致性[16]。目前比常用的特征提取方法有TF-IDF、詞頻、文檔頻率、逆文檔頻率等。單獨(dú)使用上述方法不能達(dá)到特征詞選取的良好效果。

1)詞性分析

眾多文獻(xiàn)提出特征詞通常是名詞短語[16,20],因此需要對(duì)詞性進(jìn)行分析。

2)特征詞指標(biāo)

① 詞頻(TF)：詞W在評(píng)論中出現(xiàn)的次數(shù)。頻數(shù)(TF)越高，評(píng)論的次數(shù)越多，關(guān)注人群越多，關(guān)注程度也就越大。某詞W的詞頻NW(即詞W出現(xiàn)的次數(shù))為出現(xiàn)的第i次。

②詞頻率(TF1)：詞W在所有詞中的比重。為了與詞頻數(shù)區(qū)分開，采用TF1表示。

處理后某一詞W的詞頻率如式(2)所示：

③詞評(píng)權(quán)重(TTW)：詞W在評(píng)論中的比重。

某詞W在一條評(píng)論中被多次提到和被多人提到，意義是不一樣的，為了更好區(qū)分兩者關(guān)系，采用詞評(píng)權(quán)重(TTW)。假設(shè)每一條評(píng)論代表了一個(gè)點(diǎn)評(píng)人，如果一個(gè)詞被多個(gè)人評(píng)論，那么代表這個(gè)詞被多人關(guān)注，這樣的詞可以是特征詞。詞評(píng)權(quán)重既考慮了詞頻數(shù)，也考慮了評(píng)論人數(shù)。TFW是詞W在評(píng)論中出現(xiàn)的次數(shù)，NW是含詞W的{評(píng)∑論條數(shù)(假設(shè)}一條評(píng)論代表一個(gè)人)，，詞W的詞權(quán)重計(jì)算如式(3)所示：

④ 評(píng)論頻率(DF)：評(píng)論頻率也稱文檔頻率，指某條評(píng)論在總評(píng)論中的比重。

DF=包含該詞的評(píng)論條數(shù)/總評(píng)論數(shù)，N是總評(píng)論數(shù)，評(píng)論頻率計(jì)算如式如(4)所示：

⑤ 逆文檔頻率(IDF)：衡量詞或詞組所在的文檔在整個(gè)語料庫(kù)中的頻率。

逆文檔頻率越大表明該詞越重要，它是一個(gè)詞語普遍重要性的度量[16]。IDF的思想是：如果包含詞條W的評(píng)論越少，也就是，NW越小，IDF越大，則說明詞條W具有很好的類別區(qū)分能力。特定詞語W的IDF，可以由總評(píng)論數(shù)除以包含該詞語的評(píng)論，再取對(duì)數(shù)得到。計(jì)算公式如式(5)所示：

⑥ 特征權(quán)重值(TF-IDF)：詞頻?逆文檔頻率(TF-IDF)是結(jié)合詞頻和逆文檔頻率來衡量候選關(guān)鍵詞的重要度量。

詞頻?逆文檔頻率(TF-IDF)被認(rèn)為是所有特征中最有效、最常用的特征之一[16]。如果某個(gè)詞或短語在一篇文章中出現(xiàn)的頻率TF1高，并且在其他文章中很少出現(xiàn)，則認(rèn)為該詞或者短語具有很好的類別區(qū)分能力，適合用來分類。TF-IDF的計(jì)算如式(6)所示：

TF-IDF值與該詞的出現(xiàn)頻率成正比，與在整個(gè)評(píng)論中出現(xiàn)的次數(shù)成反比。

3)特征詞的篩選

特征詞的篩選是特征詞選取和降低特征詞維度最有效的方法。分析各特征詞指標(biāo)的關(guān)系是特征詞選取中重要的環(huán)節(jié)，但各個(gè)指標(biāo)之間存在有很強(qiáng)的相關(guān)性，并且量綱差異較大。為了消除各指標(biāo)量綱的影響和指標(biāo)之間的相關(guān)性，采用標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化(Z標(biāo)準(zhǔn)化)對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。計(jì)算公式如式(7)所示：

聚類分析是研究樣品和指標(biāo)分類問題的一種多元統(tǒng)計(jì)方法[17?19]。在實(shí)際應(yīng)用中一般有兩種處理方式，一種是根據(jù)分類問題本身的專業(yè)知識(shí)結(jié)合實(shí)際需要來選擇分類方法，并確定分類個(gè)數(shù)；另一種是多用幾種分類方法，把結(jié)果中共性取出來，如果用幾種方法的某些結(jié)果都一樣，則說明這樣的聚類確實(shí)反映事物的本質(zhì)[19]。采用專業(yè)知識(shí)與多種聚類算法結(jié)合的方式對(duì)特征進(jìn)行篩選，以確定特征詞。

算法1 在線評(píng)論數(shù)據(jù)的特征挖掘聚類算法

②計(jì)算各類之間的距離(類平均法、ward法、最大距離法、相似分析法)，得到觀測(cè)值矩陣；

③合并類間距離最小的兩類為一新類。并重新計(jì)算新類與各類之間的距離，更新矩陣表，類的總個(gè)數(shù)依次遞減，直到為1；

④畫聚類樹圖；

⑤根據(jù)聚類圖和專業(yè)知識(shí)決定分類的個(gè)數(shù)和成員；

4)特征詞提取方法評(píng)價(jià)

本文認(rèn)為特征詞能代表評(píng)價(jià)主題，Nc為代表評(píng)價(jià)主題的特征詞數(shù)，NA為選擇的特征詞數(shù)，準(zhǔn)確率P如式(9)所示：

有學(xué)者研究提出召回率不適合評(píng)論數(shù)據(jù)的評(píng)價(jià)指標(biāo)，因此本文借助別人提出的GMM指標(biāo)，Nc為能代表評(píng)價(jià)主題的特征詞數(shù)，NA為所選擇的特征詞數(shù)，準(zhǔn)確率GMM如式(10)所示：

2.4 特征詞的驗(yàn)證

采用數(shù)據(jù)集2對(duì)所選特征詞進(jìn)行校驗(yàn)。

3 實(shí)驗(yàn)及結(jié)果分析

本文采用主題爬蟲對(duì)網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行抓取。獲取全國(guó)高端酒店(四、五星級(jí)酒店)的在線點(diǎn)評(píng)數(shù)據(jù)，并對(duì)在線點(diǎn)評(píng)數(shù)據(jù)進(jìn)行處理，把全國(guó)高端酒店(四、五星級(jí)酒店)按數(shù)字評(píng)分進(jìn)行排序，取出數(shù)字評(píng)分排在前20名的酒店數(shù)據(jù)為數(shù)據(jù)集1和數(shù)字評(píng)分排在后20名的酒店數(shù)據(jù)為數(shù)據(jù)集2。應(yīng)用數(shù)據(jù)集1進(jìn)行建模分析。在建模過程中，對(duì)數(shù)據(jù)進(jìn)行清洗，再對(duì)數(shù)據(jù)進(jìn)行特征抽取、特征篩選和特征選取，應(yīng)用數(shù)據(jù)集2對(duì)特征詞進(jìn)行校驗(yàn)。

根據(jù)實(shí)驗(yàn)需求，從網(wǎng)絡(luò)上爬取的50余萬條數(shù)據(jù)中篩選出前20名的酒店174 449條評(píng)論數(shù)據(jù)(數(shù)據(jù)集1)和后20名的酒店104 898條數(shù)據(jù)(數(shù)據(jù)集2)進(jìn)行分析，采用中科院分詞系統(tǒng)和結(jié)巴分詞相結(jié)合的方法分別對(duì)數(shù)據(jù)集1和數(shù)據(jù)集2進(jìn)行分詞，去停用詞后分別得到4 049 078個(gè)詞條和1 857 523個(gè)詞條，并分別對(duì)詞條進(jìn)行分析。由于詞條數(shù)太多，再次對(duì)詞條的低頻詞和高頻非特征詞進(jìn)行處理，為了降低詞條維度和分析的難度，采用降維、抽樣的方法對(duì)詞條進(jìn)行分析。抽取了頻數(shù)排在前100的詞條進(jìn)行詞云分析，詞云圖如圖3所示。

圖3 詞云圖Fig. 3 Word cloud

3.1 特征詞抽取與篩選

近年來，有許多學(xué)者對(duì)特征詞的提取方法進(jìn)行研究。特征詞提取方法可以歸納為監(jiān)督型和非監(jiān)督型兩類[20]。監(jiān)督型可以用多種方法訓(xùn)練模型,并實(shí)時(shí)調(diào)整參數(shù)；非監(jiān)督型特征詞抽取主要有基于統(tǒng)計(jì)、基于詞性規(guī)則、基于主題模型、基于詞排列圖的方法。本文將利用統(tǒng)計(jì)、詞性和主題模型的方法對(duì)特征詞抽取進(jìn)行分析。

3.1.1 詞性分析

從圖3可以看出詞條多且復(fù)雜，如果把所有的詞都作為候選特征詞，那么特征向量的維數(shù)將非常大，難于進(jìn)行計(jì)算和分類。在詞云圖中很多詞要與其他詞組合在一起才具有實(shí)際意義。比如：“服務(wù)好”、“服務(wù)不錯(cuò)”、“服務(wù)不好”、“服務(wù)很差”、“環(huán)境好”、“環(huán)境不錯(cuò)”、“環(huán)境很好”、“環(huán)境很差”、“好”、“不錯(cuò)”、“差”等詞是對(duì)某一主題的評(píng)價(jià)。根據(jù)酒店在線評(píng)論數(shù)據(jù)的分詞結(jié)果，對(duì)詞性的分析如表1所示。

表 1 詞性分析Table 1 Part of speech analysis

從表1可以看出，在所有詞語中名詞、形容詞、動(dòng)詞、副詞在所有詞中占到了2/3，名詞的占比是最高的，占到了25.10%，其次是動(dòng)詞占20.99%(包含動(dòng)名詞占總詞數(shù)的2.5%，后面分析時(shí)把這部分詞歸屬名詞處理)。對(duì)詞性進(jìn)行分析，分析結(jié)果如圖4所示。

圖4 詞性詞云圖Fig. 4 Part of speech word cloud

根據(jù)圖4名詞、形容詞、動(dòng)詞、副詞的詞云圖可以看出名詞作為評(píng)價(jià)的主題，作為候選特征詞的確比較顯著。除名詞外，在動(dòng)詞詞云圖中最為明顯的“服務(wù)”一詞也可以作為評(píng)價(jià)的主題。對(duì)這部分詞語的詞性進(jìn)行查看，“服務(wù)”屬于動(dòng)名詞，為了特征提取的方便，把動(dòng)名詞歸屬于名詞的行列。但還有一部分詞語完全是動(dòng)詞，但也表達(dá)名詞的意思，比如“裝修”、“位置”、“出行”等，這一部分是動(dòng)詞名用，對(duì)于這一部分詞需要作為特征詞分析。評(píng)論數(shù)據(jù)屬于短文本數(shù)據(jù)，并沒有完全遵從自然語言的語法結(jié)構(gòu)，動(dòng)詞名用或名詞動(dòng)用情況很常見。因此，在特征詞的選取上只選取系統(tǒng)所分的名詞是不可取的，必須根據(jù)專業(yè)、行業(yè)、常識(shí)等對(duì)詞性進(jìn)行進(jìn)一步的篩選與確定。根據(jù)詞性的詞頻對(duì)候選特征詞的分析如表2所示。

表 2 候選特征詞詞性分析Table 2 Part of speech analysis of candidate feature words

綜合幾種特征詞提取方法，本文先利用無監(jiān)督方法TF(詞頻數(shù))提取候選特征，所提取的20個(gè)特征詞能代表評(píng)價(jià)主題值有4個(gè)。綜合TF和詞性進(jìn)行分析，形容詞、副詞中沒有能代表評(píng)價(jià)主題的候選特征詞；動(dòng)詞中代表評(píng)價(jià)主題的有3個(gè)，名詞中16個(gè)。利用TF_IDF提取的候選特征詞代表評(píng)價(jià)主題的有10個(gè)。而綜合無監(jiān)督型的TF、詞性在無監(jiān)督的情況下動(dòng)詞+名詞提取的特征詞效果與TF_IDF的提取效果一樣，而選擇名詞作為特征詞，在監(jiān)督下篩選動(dòng)詞作為補(bǔ)充，所提取的效果要比只提取名詞的效果要好，準(zhǔn)確率和GMM值都達(dá)到了87%，而若名詞+動(dòng)詞的篩選都在監(jiān)督下完成，所得的候選特征詞與評(píng)價(jià)主題的特征詞的準(zhǔn)確率和GMM達(dá)到95%以上。具體結(jié)果如圖5所示。

圖5 特征詞提取方法對(duì)比Fig. 5 Comparison of feature words extraction methods

3.2 特征詞指標(biāo)分析

雖然動(dòng)詞+名詞結(jié)合的特征詞比較適合分析，但候選特征詞的維度比較大，各候選特征詞之間的關(guān)系比較復(fù)雜，是否具備特征詞的特性還需要進(jìn)一步分析，特征詞指標(biāo)分析如表3所示。

從表3可以看出根據(jù)詞頻數(shù)(TF)、詞頻率(TF1)、詞頻權(quán)重(TTW)、評(píng)論頻率(DF)、逆文檔頻率(IDF)和TF1-IDF這6個(gè)評(píng)價(jià)指標(biāo)選取特征詞時(shí)，在各個(gè)指標(biāo)上選取特征詞的結(jié)果都不一樣。TF和DF最高的是“服務(wù)”，TF1最高的是“房間”，TTW最高的是“環(huán)境”，IDF最高的是“裝修”，TF1-IDF最高的是“溫泉”?！皽厝钡腡F1-IDF的值是最高的，但從專業(yè)的角度看，溫泉可能是高端型酒店的一個(gè)特征，但不能作為最重要的評(píng)價(jià)指標(biāo)?！皽厝钡腡F1-IDF值高說明有很多高端客戶在關(guān)注“溫泉”，但用“溫泉”作為酒店評(píng)論數(shù)據(jù)的特征詞是沒有代表性的。從單一的指標(biāo)中選取出的特征詞不能完全滿足特征詞選擇的可讀性、相關(guān)性、重要性、覆蓋度、一致性的要求，但各個(gè)指標(biāo)對(duì)候選特征詞又都有影響。因此，考慮對(duì)象酒店在線評(píng)論數(shù)據(jù)的實(shí)際情況，綜合應(yīng)用TF、TF1、TTW、DF、IDF和TF1-IDF這6個(gè)指標(biāo)對(duì)候選特征詞進(jìn)行分析。從表3可以看出各個(gè)候選特征詞在各個(gè)評(píng)價(jià)指標(biāo)上的量綱是不同的，并且差距很大，TF、TF1、TTW、DF、IDF和 TF1-IDF各指標(biāo)之間存在著很強(qiáng)的相關(guān)性。綜合19個(gè)候選特征詞的6個(gè)評(píng)價(jià)指標(biāo)的實(shí)際情況看，降低特征詞的維度是選取特征詞最實(shí)用的方法。

表 3 指標(biāo)分析Table 3 Index analysis

綜合圖6候選特征詞的4個(gè)聚類樹圖根據(jù)聚類結(jié)果和酒店的專業(yè)知識(shí)，聚類為5類比較合理，把酒店在線評(píng)論候選詞歸并為5類，并對(duì)5類特征進(jìn)行綜合分析，綜合19個(gè)候選特征詞的聚類結(jié)果如表4所示。

圖6 數(shù)據(jù)集1候選特征詞聚類Fig. 6 Dataset1 Candidate feature words cluster

表 4 候選特征詞歸類表Table 4 Candidate feature word classification

通過表4可以看出特征詞“服務(wù)”包含了“服務(wù)”、“服務(wù)員”、“服務(wù)態(tài)度”、“前臺(tái)”等服務(wù)信息；特征詞“設(shè)施”包含了“房間”、“設(shè)施”等硬件設(shè)施信息；特征詞“環(huán)境”包含了“位置”、“環(huán)境”、“交通”、“地理位置”等信息；特征詞“餐飲”包含了“早餐”、“水果”、“味道”等餐飲信息；整體舒適度包含了“大堂”、“性價(jià)比”、“價(jià)格”、“衛(wèi)生”、“裝修”、“溫泉”等整體舒適度信息。這5個(gè)特征詞能滿足特征詞選取的可讀性、相關(guān)性、重要性、覆蓋度、一致性的準(zhǔn)則，因此可以作為酒店在線評(píng)論數(shù)據(jù)的特征詞。

3.3 特征詞的校驗(yàn)和選定

3.3.1 方法的驗(yàn)證

采用同樣的方法，用數(shù)據(jù)集2(數(shù)字評(píng)分排在后20家的酒店數(shù)據(jù))的詞條進(jìn)行了詞性分析，處理后得到了24個(gè)候選特征詞，計(jì)算出24個(gè)候選特征詞的 6個(gè)指標(biāo) (TF、TF1、TTW、DF、IDF和TF1-IDF)的值，并對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化后，采用6個(gè)指標(biāo)對(duì)候選特征詞進(jìn)行聚類，所得的聚類結(jié)果如圖7所示(為了圖形清晰，本文只選取了TF最高的數(shù)據(jù)進(jìn)行展示)。

綜合圖7候選特征詞的4個(gè)聚類樹圖，根據(jù)聚類結(jié)果，可以看出聚類為5類比較合理，根據(jù)酒店的專業(yè)知識(shí)，把酒店在線評(píng)論候選詞歸并為5類，結(jié)果如表5所示。

圖7 數(shù)據(jù)集2候選特征詞聚類Fig. 7 Dataset2 Candidate feature words cluster

從表5中可以看出，部分被歸并的候選特征詞有了更細(xì)化、更相近或概括的變化，例如設(shè)施中增加了“床”、“房”、“空調(diào)”等細(xì)化詞；環(huán)境中增加了“地段”、“出行”、“周邊”、“附近”等相近詞；整體舒適度增加了“總體”、“整體”概括詞。綜合酒店在線評(píng)論的兩個(gè)數(shù)據(jù)集和網(wǎng)絡(luò)在線點(diǎn)評(píng)數(shù)據(jù)的特性，可以看出把服務(wù)、設(shè)施、環(huán)境、餐飲和整體舒適度作為酒店在線評(píng)論數(shù)據(jù)的特征詞是合理的。

表 5 后20名酒店特征詞歸類表Table 5 The last 20 Hotel feature word

綜合6個(gè)評(píng)價(jià)指標(biāo)聚類圖，對(duì)于評(píng)論數(shù)據(jù)，TF分析的結(jié)果要比TF_IDF的效果好，選取以TF為主，TF1、TTW、DF、IDF、TF1_IDF為輔的指標(biāo)聚類時(shí)，選取TF排在前10的候選特征詞聚類和選取更多的候選特征詞聚類結(jié)果類似，后面的候選特征詞只是對(duì)前面結(jié)果的補(bǔ)充或細(xì)化。

4 結(jié)束語

本文從酒店在線點(diǎn)評(píng)數(shù)據(jù)出發(fā)，對(duì)數(shù)據(jù)的感知獲取、數(shù)據(jù)預(yù)處理、詞性分析、特征選取、特征篩選、特征確定等進(jìn)行了研究。對(duì)特征詞的篩選和確定進(jìn)行了分析。單個(gè)指標(biāo)(TF或者TF1-IDF)對(duì)特征詞的篩選和選擇效果不理想，需要綜合 TF、TF1、TTW、DF、IDF、TF1-IDF 多個(gè)指標(biāo)進(jìn)行分析。采用了無監(jiān)督的聚類方法對(duì)變量進(jìn)行聚類分析，聚類時(shí)采用數(shù)據(jù)標(biāo)準(zhǔn)化消除指標(biāo)相關(guān)性和量綱的影響。綜合聚類分析的結(jié)果和酒店專業(yè)知識(shí)選定酒店在線評(píng)論數(shù)據(jù)的特征詞，通過將20家酒店作為數(shù)據(jù)集2對(duì)特征詞進(jìn)行校驗(yàn)，得出酒店在線評(píng)論的特征詞是服務(wù)、環(huán)境、設(shè)施、整體舒適度、餐飲。下一步將根據(jù)特征詞構(gòu)造更方便、快捷、可靠的分類器，為酒店和客戶進(jìn)一步細(xì)分做好準(zhǔn)備，同時(shí)也為酒店為客戶提供的個(gè)性化的智能推薦服務(wù)奠定基礎(chǔ)。