林振宇，解吉波，覃佐淼，楊騰飛，趙靜

1.海南省地球觀測重點(diǎn)實(shí)驗(yàn)室，海南三亞 572000

2.中國科學(xué)院遙感與數(shù)字地球研究所，數(shù)字地球重點(diǎn)實(shí)驗(yàn)室，北京 100094

3.河南理工大學(xué)，河南焦作 454000

數(shù)據(jù)庫（集）基本信息簡介

數(shù)據(jù)庫（集）名稱 基于社交媒體的海南旅游景區(qū)評價(jià)數(shù)據(jù)集數(shù)據(jù)作者 林振宇，解吉波，覃佐淼，楊騰飛，趙靜數(shù)據(jù)通信作者 解吉波（xiejb@radi.ac.cn）數(shù)據(jù)時(shí)間范圍 2012年1月至2018年10月地理區(qū)域 地理范圍包括海南島（北緯 18°10′-20°10′，東經(jīng) 108.37°-111.03°）。數(shù)據(jù)量 58.8 MB數(shù)據(jù)格式 *.rar, *.sql, *.xlsx數(shù)據(jù)服務(wù)系統(tǒng)網(wǎng)址 http://www.sciencedb.cn/dataSet/handle/714基金項(xiàng)目 海南省重大科技計(jì)劃項(xiàng)目（ZDKJ2016021）數(shù)據(jù)庫（集）組成數(shù)據(jù)集由1個(gè)壓縮包組成，主要包括5個(gè)文件夾，數(shù)據(jù)量約125 MB，壓縮后數(shù)據(jù)量約58.8 MB。5個(gè)文件夾分別為美團(tuán)、同程、途牛、攜程、樣例數(shù)據(jù)，每個(gè)文件夾下由各旅游網(wǎng)站的景區(qū)評論數(shù)據(jù)組成，以兩種數(shù)據(jù)形式存放（*.sql, *.xlsx）。

引 言

旅游是海南省的經(jīng)濟(jì)支柱產(chǎn)業(yè)之一，對其他相關(guān)產(chǎn)業(yè)的發(fā)展有著較強(qiáng)的帶動(dòng)作用。研究和提高海南各景區(qū)的服務(wù)質(zhì)量，滿足游客多元化的旅游需求，對進(jìn)一步促進(jìn)海南旅游產(chǎn)業(yè)的發(fā)展至關(guān)重要。

隨著旅游互聯(lián)網(wǎng)的快速發(fā)展，大量和旅游景區(qū)相關(guān)的用戶評論信息為旅游業(yè)的發(fā)展研究提供了有力數(shù)據(jù)支持。更多的潛在游客，會(huì)在出行前根據(jù)這些評論信息制定旅游路線，協(xié)助旅游決策[1-3]。通常，這些數(shù)據(jù)信息多以文本、圖片的形式出現(xiàn)在各大社交媒體平臺上。這些信息通常表達(dá)了游客對于相關(guān)景區(qū)的意見、建議和滿意度，從而為景區(qū)質(zhì)量和服務(wù)的進(jìn)一步提升提供有效參考。目前，國內(nèi)外已有不少學(xué)者對景區(qū)的社交媒體信息展開相關(guān)研究，并從不同方面探討它們的應(yīng)用。如文獻(xiàn)[4]以眾包的形式收集秦皇島高校大學(xué)生對當(dāng)?shù)芈糜尉皡^(qū)的評論信息，并結(jié)合這些數(shù)據(jù)提供者的個(gè)人信息開展用戶畫像的旅游情境化推薦服務(wù)研究；文獻(xiàn)[5]利用多模態(tài)的景點(diǎn)信息（文本、地理標(biāo)記圖片以及視頻生成景點(diǎn)的信息摘要），根據(jù)用戶的查詢?yōu)橛脩魝€(gè)性化地推薦景點(diǎn)；文獻(xiàn)[6-8]基于簽到記錄數(shù)據(jù)來進(jìn)行旅游路線的推薦等。然而目前，可用的基于社交媒體的開放旅游景區(qū)評論數(shù)據(jù)集并不多，這嚴(yán)重制約了旅游信息挖掘的研究。為此，本文以海南島為研究對象，從主流旅游網(wǎng)站（包括美團(tuán)網(wǎng)、途牛網(wǎng)、同程網(wǎng)以及攜程網(wǎng)等）上收集和處理了2012-2018年間所有4A和5A級旅游景區(qū)的評論數(shù)據(jù)構(gòu)建了數(shù)據(jù)集。

1 數(shù)據(jù)采集和處理方法

本數(shù)據(jù)集的生產(chǎn)流程包括數(shù)據(jù)采集與清洗，數(shù)據(jù)管理和數(shù)據(jù)分類。數(shù)據(jù)制作流程如圖1所示。

圖1 數(shù)據(jù)集制作流程圖

1.1 景區(qū)評論數(shù)據(jù)的采集與清洗

該部分?jǐn)?shù)據(jù)以海南島4A和5A級景區(qū)為研究對象，將4A和5A級景區(qū)分為4種類型，分別為自然景區(qū)、歷史人文景區(qū)、民俗風(fēng)情景區(qū)、休閑度假景區(qū)。獲取了2012-2018共7年的評論數(shù)據(jù)，這些數(shù)據(jù)主要來源于包括美團(tuán)、攜程、同程以及途牛在內(nèi)的4個(gè)旅游網(wǎng)站。原始數(shù)據(jù)形式為HTML，本文通過Java編程語言對其進(jìn)行了解析和清洗，最終形成了283 072條結(jié)構(gòu)化文本數(shù)據(jù)。其中，數(shù)據(jù)清洗操作包括全半角字符的轉(zhuǎn)化、繁簡體文字的轉(zhuǎn)化、去除同一用戶的多次評論以及文本去重等。同時(shí)，為方便讀者使用，該部分?jǐn)?shù)據(jù)以sql和xlsx兩種格式存儲。如下表1-4顯示了數(shù)據(jù)的基本結(jié)構(gòu)信息，如圖2展示了旅游景區(qū)在海南島的分布情況。

表1 海南島自然景區(qū)名稱及評論數(shù)據(jù)量

表2 海南島歷史人文景區(qū)名稱及評論數(shù)據(jù)量

表3 海南島民俗風(fēng)情景區(qū)名稱及評論數(shù)據(jù)量

表4 海南島休閑度假景區(qū)名稱及評論數(shù)據(jù)量

序號 名稱 等級 美團(tuán) 攜程 同程 途牛 地址7 清水灣旅游區(qū) 4A 0 330 0 0 陵水

圖2 旅游景區(qū)在海南島分布情況

1.2 數(shù)據(jù)分類

景區(qū)社交媒體評論信息蘊(yùn)含著公眾對于景區(qū)不同方面的評價(jià)，這對于發(fā)現(xiàn)和解決旅游景區(qū)存在的問題，提高游客滿意度等具有重要的參考價(jià)值。為此，本數(shù)據(jù)集從多個(gè)主題對這些評論信息進(jìn)行公眾情感分類。

我們根據(jù)整個(gè)文本的情感傾向，將該文本分為積極情感、消極情感和中性情感3個(gè)類別[9]，用以從宏觀上對該景區(qū)作出評價(jià)。從細(xì)粒度主題上分，我們則根據(jù)國家A級景區(qū)的評價(jià)指標(biāo)，基于這些評價(jià)指標(biāo)對該景區(qū)作出情感分類，旨在從多個(gè)主題方面刻畫景區(qū)質(zhì)量，以提供個(gè)性化服務(wù)需求。其中細(xì)粒度的主題指標(biāo)包括景區(qū)飲食（飲食口味、飲食價(jià)格）、景區(qū)娛樂（娛樂趣味性、項(xiàng)目價(jià)格）、景區(qū)購物（物價(jià)、商業(yè)氛圍）、景區(qū)游覽（購票、景色、導(dǎo)游解說）、景區(qū)特色、景區(qū)衛(wèi)生、景區(qū)交通、景區(qū)住宿、景區(qū)服務(wù)質(zhì)量、景區(qū)安全10個(gè)方面。圖3為根據(jù)國家A級景區(qū)評價(jià)指標(biāo)的細(xì)粒度分類標(biāo)準(zhǔn)。

圖3 細(xì)粒度分類標(biāo)準(zhǔn)

2 數(shù)據(jù)樣本描述

2.1 數(shù)據(jù)集信息

本數(shù)據(jù)集從美團(tuán)、攜程、同程和途牛4個(gè)旅游網(wǎng)站上收集并處理了海南島所有4A和5A級景區(qū)的評論數(shù)據(jù)，數(shù)據(jù)的時(shí)間跨度為7年（2012-2018年）。

整個(gè)數(shù)據(jù)集由1個(gè)壓縮文件包組成，壓縮文件包由5個(gè)文件夾組成。其中4個(gè)文件夾分別以上述4個(gè)旅游網(wǎng)站命名，每個(gè)文件夾下分別為24個(gè)景區(qū)在該旅游網(wǎng)站中的所有評論數(shù)據(jù)，數(shù)據(jù)儲存格式包括sql和xlsx，命名規(guī)則為“旅游網(wǎng)站+景區(qū)名稱”；第5個(gè)文件夾以樣例數(shù)據(jù)命名，該文件夾下為經(jīng)過分類處理的數(shù)據(jù)，命名規(guī)則為“旅游網(wǎng)站+景區(qū)名稱+積極/消極/中性+分類細(xì)則序號〔1 景區(qū)飲食（11飲食口味，12飲食價(jià)格），2 景區(qū)交通，3 景區(qū)特色，4 景區(qū)游覽（41購票，42 景色，43 導(dǎo)游解說），5 景區(qū)住宿，6 景區(qū)衛(wèi)生，7 景區(qū)娛樂（71娛樂趣味性，72 項(xiàng)目價(jià)格），8 景區(qū)服務(wù)質(zhì)量，9 景區(qū)購物（91 物價(jià)，92商業(yè)氛圍），10 景區(qū)安全〕”。數(shù)據(jù)集詳細(xì)信息如表5。

表5 海南島旅游數(shù)據(jù)集信息

2.2 分類樣本描述

樣本集以途牛網(wǎng)上分界洲島旅游區(qū)的評論數(shù)據(jù)為基礎(chǔ)，將這些原始數(shù)據(jù)進(jìn)行多個(gè)主題的情感分類，從而得到表6所示的結(jié)果。

表6 示例樣本情況

3 數(shù)據(jù)質(zhì)量控制和評估

評論海南景區(qū)旅游質(zhì)量的社交媒體平臺有很多。為保障數(shù)據(jù)的豐富性，我們通過比較選出了具有代表性的4個(gè)旅游網(wǎng)站，以確保最大程度地獲取相關(guān)信息。數(shù)據(jù)收集完成后，我們?nèi)斯z查了數(shù)據(jù)的有效性并刪除了不完整的及與海南旅游景區(qū)無關(guān)的評論數(shù)據(jù)。在分類樣例中，本文所用的細(xì)粒度主題則是根據(jù)國家A級景區(qū)的評價(jià)指標(biāo)來擬定。對于分類樣例中的文本情感類別標(biāo)簽，我們安排了2個(gè)同事進(jìn)行人工判讀，并對結(jié)果進(jìn)行復(fù)議和討論，以確保最終分類的正確性。

4 數(shù)據(jù)使用方法和建議

本數(shù)據(jù)集包含海南島4A級以上所有景區(qū)2012-2018年以來283 072條社交媒體評論數(shù)據(jù)。研究人員可通過互聯(lián)網(wǎng)文本情感分析算法抽取公眾對景區(qū)不同主題特征的態(tài)度信息，同時(shí)結(jié)合時(shí)間維度從公眾觀測的角度探究景區(qū)質(zhì)量的變化特征，為景區(qū)網(wǎng)絡(luò)口碑、形象管理等提供數(shù)據(jù)參考。通過互聯(lián)網(wǎng)主題聚類算法，如LDA（Latent Dirichlet Allocation）、K-means聚類算法、或者簡單的詞頻計(jì)算等語義挖掘算法從各景區(qū)海量評論信息中抽取公眾關(guān)注熱點(diǎn)，以服務(wù)于旅游景區(qū)的個(gè)性化推薦、景區(qū)發(fā)展規(guī)劃等。官方發(fā)布的諸如旅游景區(qū)統(tǒng)計(jì)年鑒等數(shù)據(jù)，可以與本數(shù)據(jù)集作為相互驗(yàn)證和補(bǔ)充的數(shù)據(jù)，將會(huì)在景區(qū)容量管理、景區(qū)傳播效果評價(jià)、景區(qū)形象管理、景區(qū)熱度分析、景區(qū)質(zhì)量評價(jià)分析、景區(qū)發(fā)展趨勢等研究上發(fā)揮重要作用。