李薇 楊東山

摘要：線上餐飲平臺興起后，更多的消費者選擇在網(wǎng)上訂餐，在線評論數(shù)據(jù)量急劇增加。大量的評論數(shù)據(jù)背后隱藏著消費者對于美食的滿意度因素，這些文本數(shù)據(jù)客觀地反映了消費者的滿意度情況，其中，回頭客再次選擇的因素更加值得餐飲商家關注。文章以美團網(wǎng)站五種餐飲類別的50 000條數(shù)據(jù)為研究對象，對文本數(shù)據(jù)進行詞頻統(tǒng)計、語義網(wǎng)絡圖和系統(tǒng)聚類分析，認為影響回頭客滿意度的主要因素依次為餐品味道、菜品種類、服務態(tài)度、環(huán)境整潔及價格實惠。

關鍵詞：文本挖掘;系統(tǒng)聚類;語義網(wǎng)絡;可視化分析

大數(shù)據(jù)給傳統(tǒng)餐飲行業(yè)帶來了巨大的挑戰(zhàn)，它改變了傳統(tǒng)餐飲行業(yè)的管理模式和營銷方式，推動著餐飲行業(yè)的發(fā)展。第46次《中國互聯(lián)網(wǎng)絡發(fā)展狀況統(tǒng)計報告》統(tǒng)計，截至2020年6月，我國網(wǎng)民的規(guī)模達到9.40億，互聯(lián)網(wǎng)的普及率達到67.0%，其中，我國網(wǎng)上訂餐規(guī)模達到4.09億，占網(wǎng)民規(guī)模的43.5%且占比增速較快。

據(jù)中國產(chǎn)業(yè)經(jīng)濟信息網(wǎng)數(shù)據(jù)顯示，2019年，全國餐飲收入達到46 721億元，同比增長9.4%。但是，餐飲行業(yè)的競爭壓力大，線上餐飲平臺的興起帶動線下餐飲向線上餐飲轉變，現(xiàn)在大多數(shù)餐飲商家都和第三方平臺如美團、餓了么和大眾點評等進行合作。餐飲商家通過這些餐飲平臺，提供美食的信息以供消費者選購。

但是，消費者很難依據(jù)餐飲商家提供的美食信息做出購買行為，因為商家提供的信息是具有自利性和美化效果的，大多數(shù)消費者只能通過其他消費者的評論來判斷美食的味道、服務的質量和環(huán)境的好壞。商家也可以通過這些文本評論來了解消費者的消費偏好，從而對自己的菜品進行改善，提升競爭力。因此，如何在眾多的在線評論中挖掘出背后隱含的信息就顯得非常重要。

本文基于美團網(wǎng)站回頭客的餐飲消費評論，通過網(wǎng)絡爬蟲技術抓取美食中甜點飲品、火鍋、自助餐、小吃快餐和燒烤烤肉五類有關的50 000條在線評論，找出消費者滿意度的影響因素。

一、文獻綜述

1960年，Maron等發(fā)表了第一篇有關自動分類的論文[1]，此后，這一領域的研究成果開始逐漸增加。Baek等使用Web數(shù)據(jù)搜尋器從Amazon.com收集了75 226條在線消費者評論數(shù)據(jù)，對評論文本進行情感分析，其結果表明，包括評論等級和評論者信譽的外圍提示，以及諸如評論內(nèi)容之類的核心提示，都會影響評論的有用性?；陔p重過程理論，我們發(fā)現(xiàn)消費者將重點放在不同的評論信息源上，這取決于他們閱讀評論的目的：在線評論可用于信息搜索或評估替代方案，為在線市場所有者提供了有關如何在其網(wǎng)站上管理在線評論的新觀點[2]。Cao等考察了在線評論的各種功能（即基本風格和語義特征），將文本挖掘技術用于從評論文本中提取語義特征，得出語義特征在影響投票評論比其他特征更具影響力這一結論[3]。Reyes等在亞馬遜網(wǎng)站收集了具有“諷刺”意味的評論，并使用三個分類器進行了評估，初步結果表明，這些評論在很大程度上是積極的，并提供了對諸如情感分析、觀點挖掘和決策之類的語言的相關建議[4]。Pu等利用多個特征來識別相關的意見句子，然后利用支持向量機（support vector machines，SVM）對總體意見句子進行編碼，以進行文檔情感分類，用產(chǎn)品評論和電影評論證明了其有效性[5]。

相對于英語而言，中文詞語在不同的語境中有著不同的寓意，中文詞語的復雜性導致了我國文本挖掘發(fā)展速度相對較慢。但隨著互聯(lián)網(wǎng)、電子商務的迅速發(fā)展，線上餐飲業(yè)產(chǎn)生了大量的評論信息，如何利用文本挖掘技術從海量的評論中獲取有用的信息也成為眾多學者研究的熱點。關菲等利用三層貝葉斯概率模型（latent dirichlet allocation，LDA）主題模型對評論主題進行劃分，通過高頻詞和語義網(wǎng)分析消費者的關注點 [6]。范寧利用攜程網(wǎng)民宿的評論文本數(shù)據(jù)進行可視化分析（詞云圖和語義網(wǎng)絡）和LDA主題模型分析，最后利用層次聚類分析得出客房硬件、總體服務、餐飲、地理位置和性價比是其重要的五個因素這一結論 [7]。王海宇以Apriori算法為基礎，通過R語言探尋服裝品類重復購買影響因素與重復購買行為間的關聯(lián)強弱關系[8]。伊秀娟通過改進Single-pass算法的相似度計算方式，解決了其聚類對于文檔輸入順序敏感的問題[9]。司利紅利用LDA主題提取不同類別主題詞，再用詞頻和共現(xiàn)度篩選出一級主題詞，利用Word2vec相似詞提取得到二級主題詞，從而保證了主題詞的全面性[10]。對食客的評論數(shù)據(jù)，宋悅用扎根理論進行開放性編碼、選擇性編碼和理論性編碼，分析不同類型餐廳的核心影響因素[11]。張紅霞通過對生鮮產(chǎn)品評論數(shù)據(jù)的文本挖掘，探尋消費者關注的因素，運用內(nèi)容分析方法進行編碼分析，并用回歸和四分圖模型分析影響消費者滿意度的因素[12]。張華泉等結合服務質量理論和消費者滿意度理論，構建生鮮電商消費者滿意度影響因素概念模型，并以消費者的評論數(shù)據(jù)為對象，使用雙樣本Z檢驗和結構方程模型對模型中各影響因素進行驗證，研究結果表明“物流因素”和“平臺因素”對消費者正面滿意度產(chǎn)生直接影響，而“產(chǎn)品因素”與消費者負面滿意度之間具有顯著的正向影響作用[13]。何薇等提出了一套基于文本挖掘的客戶服務滿意度分析框架，實現(xiàn)了對不滿意工單和原因的識別[14]。董爽等通過對購物網(wǎng)站在線評論高頻詞的特征分析，發(fā)現(xiàn)消費者更多關注手機的商品特征和情感表達，關注服務特征的則相對較少 [15]。王濤等通過Rostcm軟件將LDA主題模型生成的特征主題詞與所修飾的情感詞生成語義網(wǎng)絡，從而緩解了挖掘文本信息的復雜性[16]。劉敏等以手機在線評論為基礎，引入評論對象和評論觀點，通過社會語義網(wǎng)絡構建和情感分析兩種方法進行分析[17]。賈璇通過對求職軟件的評論進行特征詞提取、制作詞云圖、語義網(wǎng)絡分析和情感極性特征分析，得出了用戶對各求職軟件使用的情感極性分布 [18]。何立峰采用Word2Vec方法訓練詞向量模型，從在線評論中提取酒店服務的屬性特征，構建情感詞典，運用情感詞典匹配的方法對酒店服務屬性特征進行情感分析，從而將非結構化的評論數(shù)據(jù)轉化為可利用的結構數(shù)據(jù)[19]。熊偉等通過文本挖掘技術的批量處理功能，對酒店顧客的在線評論進行詞頻和情感分析，并結合時間序列分析法預測其未來的發(fā)展趨勢[20]。

二、餐飲在線評論的數(shù)據(jù)獲取

（一）數(shù)據(jù)選擇

目前，互聯(lián)網(wǎng)上存在眾多的線上餐飲平臺，比如美團、餓了么和大眾點評等。這些平臺在線評論的數(shù)量和質量各不相同，需從眾多餐飲平臺中選擇最合適的。在綜合考慮網(wǎng)站訪問量和網(wǎng)站知名度、獲取數(shù)據(jù)是否便捷兩個因素后，本文最終選擇美團網(wǎng)作為數(shù)據(jù)樣本來源平臺。

1.根據(jù)網(wǎng)站訪問量和網(wǎng)站知名度等情況，通過Alexa網(wǎng)站排名對美團網(wǎng)、餓了么和大眾點評進行綜合排名（更新于2020年3月11日），詳見表1所示。

從表1中可以看出，美團網(wǎng)的Alexa全球排名在其余兩個網(wǎng)站之上，且美團網(wǎng)在行業(yè)排名中也位居第一。

2.本文以回頭客在線評論作為研究數(shù)據(jù)樣本，觀察各大餐飲平臺的在線評論，發(fā)現(xiàn)評論體系各不相同。由于美團網(wǎng)有回頭客在線評論這一欄，爬取數(shù)據(jù)時相對便捷，這也使本文選取的數(shù)據(jù)更具有針對性。同時，美團網(wǎng)的評價體系相對其他網(wǎng)站也較為成熟，在回頭客評論頁面的文本描述也較清晰。

根據(jù)以上分析，美團網(wǎng)站的回頭客在線評論在回頭客研究中具有良好的代表性，可以從其文本評論內(nèi)容中挖掘出對餐飲行業(yè)有用的信息。因此，本文選取美團網(wǎng)的回頭客評論作為研究對象。

（二）餐飲種類的選取

餐飲種類的選擇包含兩個方面，一是餐飲所在地區(qū)，二是餐飲類別。本文主要研究的是基于回頭客的消費滿意度影響因素，考慮到所需在線評論數(shù)量多且對質量要求較高，所以選擇美團網(wǎng)美食頁面所給的熱門城市進行數(shù)據(jù)爬取。在餐飲類別的選擇上，根據(jù)平臺排列順序及是否常見，選取了甜點飲品、火鍋、自助餐、小吃快餐和燒烤烤肉五個餐飲類別。本文選取各個熱門城市銷量較高和好評較多的餐飲商家來爬取評論內(nèi)容。

（三）數(shù)據(jù)爬取

本文需要的數(shù)據(jù)為美團網(wǎng)站上甜點飲品、火鍋、自助餐、小吃快餐和燒烤烤肉五類美食回頭客的在線文本評論。由于Python語言在數(shù)據(jù)爬取方面較其他編程語言優(yōu)勢明顯，可以運用于眾多的擴展庫來實現(xiàn)數(shù)據(jù)的獲取。Python語言爬取回頭客評論數(shù)據(jù)的規(guī)則如圖1所示。

三、基于文本挖掘的特征分析

（一）詞頻統(tǒng)計

對詞語在整個文本中出現(xiàn)的頻率進行統(tǒng)計具有重要意義，從詞頻統(tǒng)計中可以大致預測到回頭客的滿意因素，五類美食的詞頻統(tǒng)計如表2至表6所示。

從表2至表6中，可以看出每一類美食評論的詞頻數(shù)，排在前面的大都為味道、菜品、服務、環(huán)境和實惠等，但是這些詞在每一類美食中的排序又各不相同，比如火鍋詞頻統(tǒng)計表中以味道、菜品、服務和環(huán)境為次序排序，而在小吃快餐中卻以味道、顧客、實惠和環(huán)境為次序排列，從中可以看出每一類美食對于回頭客的影響因素有些許的不同。

（二）基于語義網(wǎng)絡的可視化分析

語義網(wǎng)絡基于詞語的出現(xiàn)頻率、詞語間的共現(xiàn)頻率和間隔距離來探索文本的含義。本文通過ROST CM6.0對回頭客文本評論進行語義網(wǎng)絡可視化分析，得出五類美食的語義網(wǎng)絡圖和語義網(wǎng)絡頻數(shù)表。通過語義網(wǎng)絡圖分析詞與詞之間的關系是否密切，其中線條密集程度越高表示兩者的關系越緊密[21]。

火鍋美食的語義網(wǎng)絡圖和語義網(wǎng)絡頻數(shù)表分別如圖3和表7所示。從圖3可以看出，味道、菜品、服務和環(huán)境是重要的節(jié)點，大部分分支都從這四個節(jié)點出發(fā)。以味道節(jié)點為例，與之距離較近的關鍵詞有新鮮、菜品、服務、好吃和環(huán)境。因此，可以看出，回頭客對于火鍋美食的味道、服務、菜品和環(huán)境最為關注。

燒烤烤肉美食的語義網(wǎng)絡圖和語義網(wǎng)絡頻數(shù)表分別如圖4和表8所示。從圖4中可以看出，味道、菜品、服務、環(huán)境是其重要的節(jié)點。以菜品節(jié)點為例，與其距離較近的關鍵詞有味道、服務、環(huán)境和態(tài)度，可以看出燒烤烤肉的菜品、味道、服務和環(huán)境是影響回頭客是否再次選擇的重要因素。

甜點飲品美食的語義網(wǎng)絡圖和語義網(wǎng)絡頻數(shù)表分別如圖5和表9所示。從圖5中可以看出，味道、菜品、服務、環(huán)境、蛋糕是其重要的節(jié)點。以味道節(jié)點為例，與其距離較近的關鍵詞有好吃、蛋糕、態(tài)度和環(huán)境等，可以看出回頭客對于甜點飲品的味道及服務更為關注。

小吃快餐美食的語義網(wǎng)絡圖和語義網(wǎng)絡頻數(shù)表分別如圖6和表10所示。從圖6中，可以看出味道是最重要的節(jié)點。與味道節(jié)點距離較近的關鍵詞有環(huán)境、好吃和劃算，可以看出回頭客最為關注小吃快餐的味道。

自助餐美食的語義網(wǎng)絡圖和語義網(wǎng)絡頻數(shù)表分別如圖7和表11所示。從圖7中，可以看出環(huán)境、服務和菜品是其重要的節(jié)點。以環(huán)境節(jié)點為例，與其距離較近的關鍵詞有菜品、服務員、味道，從中可以看出回頭客最為關注的是自助餐的環(huán)境、服務和菜品。

四、餐飲滿意度的影響因素分析

（一）系統(tǒng)聚類

聚類分析是一個基于信息相似性和差異性、將信息劃分成一些簇的過程，同簇之間對象的相似性較高，非同簇之間的相似性較低。數(shù)據(jù)對象之間的相似程度受其取值范圍的影響，在進行聚類分析的過程中以不同的聚類方法進行聚類，得到的結果也有所不同。

對于文本聚類而言，聚類方法有很多，常用的有K-means聚類[22]和系統(tǒng)聚類。本文采用系統(tǒng)聚類，因其相對于K-means聚類而言，在選擇初始K值和聚類中心點上具有優(yōu)勢，限制的條件較少，也不用提前確定聚類的數(shù)量[23]。

在初始狀態(tài)下，系統(tǒng)聚類將每一個樣本都當成獨立的一類，如含n個樣本的數(shù)據(jù)集就有n類。通過計算類別與類別之間的距離，系統(tǒng)聚類將距離最小的兩類合成新的一類，這時數(shù)據(jù)集中就剩下n-1類。系統(tǒng)聚類進一步找出距離最小的兩類，并將它們合成一類，這時數(shù)據(jù)集中就剩下n-2類。以此類推，數(shù)據(jù)集最終只剩下一類，即包括全體數(shù)據(jù)的類。

（二）聚類結果及分析

本文通過R語言進行系統(tǒng)聚類，對文本數(shù)據(jù)進行分詞處理之后生成語料庫，進行降維處理[24]，再轉換成數(shù)據(jù)庫格式，進行系統(tǒng)聚類。

以自助餐的系統(tǒng)聚類結果圖8為例，從中可看出，熱情和服務態(tài)度歸為一類，熱情和服務態(tài)度所形成的新類和味道又歸為一大類，依次歸類，最后歸為一大類。結合實際情況對聚類結果進行分析，概括回頭客選擇自助餐美食的影響因素。分析所得的聚類圖可概括為五大類別，分別是服務態(tài)度、菜品味道、菜品新鮮度、菜品種類和環(huán)境。并由此得出表12的五類美食的系統(tǒng)聚類結果。

五、結論及建議

（一）結論

通過前文對回頭客數(shù)據(jù)的特征分析和聚類分析可知，火鍋美食對于回頭客而言，火鍋味道、菜品種類、服務態(tài)度和環(huán)境整潔是回頭客最為關注的因素，其中火鍋的味道是影響回頭客再次選擇的最重要的因素。燒烤烤肉美食對于回頭客而言，燒烤烤肉的菜品種類、味道、服務態(tài)度和環(huán)境整潔是回頭客最為關注的因素，其中菜品種類和味道是影響回頭客再次選擇的重要因素。甜點飲品美食對于回頭客而言，甜點飲品的味道、甜點是否以蛋糕為主、服務態(tài)度和環(huán)境整潔是回頭客最為關注的因素，其中甜點飲品的味道是影響回頭客再次選擇的重要因素。小吃快餐美食對于回頭客而言，小吃快餐的味道、環(huán)境整潔和價格是否實惠是回頭客最為關注的因素，其中小吃快餐的味道是影響回頭客再次選擇的重要因素。自助餐美食對于回頭客而言，自助餐食品的味道、菜品種類、食品新鮮度、環(huán)境整潔和服務態(tài)度是否實惠是回頭客最為關注的因素，尤其是自助餐的環(huán)境整潔和食品味道是影響回頭客再次選擇的重要因素。從五類美食的綜合分析得出，味道、環(huán)境和服務都是影響回頭客再次選擇的重要因素，但因美食種類的不同又有所差異，如小吃快餐美食對于回頭客而言，價格是否實惠也是其重要因素。

（二）建議

1.改善食品味道

從五類美食的關鍵詞提取和詞頻統(tǒng)計分析，可以看出回頭客在五類美食評論中，味道都是出現(xiàn)較多的詞。從實際情況出發(fā)，味道是美食商家經(jīng)營的核心，只要美食的味道得到了消費者的肯定，消費者就極有可能成為商家的回頭客。商家可以通過嘗試設計多種味道的美食并讓消費者進行選擇，提升消費者的回頭率。

2.打造多樣菜品

菜品在美食中的詞頻較高，在關鍵詞提取中，菜品也排在前面。尤其在火鍋、燒烤烤肉和自助餐美食分析中，菜品對于回頭客的影響極大。在這三類美食中，菜品的多樣可以吸引消費者成為回頭客，滿足更多的消費者對不同菜品的喜好。因此，美食商家應該在成本可控的范圍內(nèi)盡可能使菜品多樣化。

3.提高服務水平

在詞頻統(tǒng)計分析和關鍵詞中，服務也是回頭客所關注的重要因素，服務對于消費者用餐體驗影響較大，無形服務[25]也是美食商家提升競爭力的重要途徑，相比研發(fā)美食味道和增加菜品的多樣性而言，提高服務水平帶來的成本相對較低，也較容易改變。因此，美食商家應該加強對服務人員的培訓，熱情的服務態(tài)度會增加消費者的幸福感。

4.改善用餐環(huán)境

環(huán)境在五類美食的詞頻統(tǒng)計和關鍵詞中都較靠前。隨著人們生活水平的提高，用餐的環(huán)境成為人們所關注重點，因此環(huán)境因素對顧客滿意度影響較大[26]，用餐環(huán)境包括店鋪的衛(wèi)生環(huán)境[27]和設計環(huán)境，良好的環(huán)境更容易吸引消費者，提高消費者的回頭率。因此，美食商家應該針對所經(jīng)營的美食進行環(huán)境設計，并保證消費者用餐環(huán)境的衛(wèi)生，讓消費者有舒適感。

參考文獻：

[1]MARON M E， KUHNS J L. On Relevance， Proba-bilistic Indexing and Information Retrieval[J].Journal of the ACM，1960（7）：216-244.

[2]BAEK H， AHN J H， CHOI Y. Helpfulness of Online Consumer Reviews： Readers Objectives and Review Cues[J]. International Journal of Electronic Commerce，2012（2）：99-126.

[3]CAO Q， DUAN W J， GAN Q W. Exploring Determinants of Voting for the “Helpfulness” of Online User Reviews： A Text Mining Approach[J]. Decision Support Systems，2011（2）：511-521.

[4]REYES A， ROSSO P. Making Objective Decisions from Subjective Data： Detecting Irony in Customer Reviews[J]. Decision Support Systems，2012（4）：754-760.

[5]PU X J， WU G S， YUAN C F. Exploring Overall Opinions for DocumentLevel Sentiment Classification with Structural SVM[J]. Multimedia Systems，2019（1）：21-33.

[6]關菲，姜小冬.基于手機在線評論的特征挖掘[J].經(jīng)濟研究導刊，2019（31）：168-169.

[7]范寧.基于文本挖掘在民宿滿意度中的研究[D].桂林：廣西師范大學，2019：18-19.

[8]王海宇.基于在線評論的服裝品類消費者重復購買的影響因素研究[D].哈爾濱：哈爾濱工程大學，2018：37-49.

[9]伊秀娟.基于LDA主題模型的高校新聞話題發(fā)現(xiàn)研究[D].北京：北京交通大學，2019：10-45.

[10]司利紅.基于文本挖掘的餐飲商家評價系統(tǒng)[D].重慶：重慶師范大學，2019：30-33.

[11]宋悅.基于扎根理論的食客滿意度影響因素研究——以大眾點評網(wǎng)上海五星級餐廳食客評論為例[J].情報探索，2018（5）：52-57.

[12]張紅霞.生鮮農(nóng)產(chǎn)品電子商務消費者滿意度影響因素——基于在線評論的探索分析[J].江蘇農(nóng)業(yè)科學，2019（17）：4-8.

[13]張華泉，俞守華，區(qū)晶瑩.生鮮農(nóng)產(chǎn)品電子商務消費者滿意度影響因素研究——基于電子商務平臺消費者在線評論[J].當代經(jīng)濟，2019（8）：95-100.

[14]何薇，張劍，于雪霞，等.基于文本挖掘的電網(wǎng)客戶服務滿意度評價模型[J].電子世界，2017（7）：81-83.

[15]董爽，王曉紅，葛爭紅.基于文本挖掘的B2C購物網(wǎng)站在線評論內(nèi)容特征分析[J].圖書館理論與實踐，2017（6）：54-58.

[16]王濤，李明.基于LDA模型與語義網(wǎng)絡對評論文本挖掘研究[J].重慶工商大學學報（自然科學版），2019（4）：9-16.

[17]劉敏，王向前，李慧宗，等.基于文本挖掘的網(wǎng)絡商品評論情感分析[J].遼寧工業(yè)大學學報（自然科學版），2018（5）：330-335.

[18]賈璇.基于文本挖掘的求職軟件顧客評論情感分析[J].科技與創(chuàng)新，2019（17）：1-4.

[19]何立峰.基于在線評論的酒店顧客需求分析研究[D].青島：青島大學，2019：21-46.

[20]熊偉，郭揚杰.酒店顧客在線評論的文本挖掘[J].北京第二外國語學院學報，2013（11）：38-47.

[21]武傳表，向慧榮.基于SmartMining文本挖掘的旅游目的地形象研究——以遼寧四處世界文化遺產(chǎn)地為例[J].旅游論壇，2018（1）：91-102.

[22]楊丹，朱世玲，卞正宇.基于改進的K-means算法在文本挖掘中的應用[J].計算機技術與發(fā)展，2019（4）：68-71.

[23]李斌，郭劍毅.一種帶約束的最小離差平方和系統(tǒng)聚類法及應用[J].計算機應用，2005（1）：45-48.

[24]ZHAO D， CHEN G. Construction of Implicit Semantic Multi-label Text Fast Clustering Model based on Big Data[EB/OL]. [2020-05-30].https：//xueshu.baidu.com/usercenter/paper/show？paperid=1f0h0pj0ms3t0vv0sa1m0tr01p336507&site=xueshu_se.

[25]何晶晶.服務營銷中有形展示在餐飲企業(yè)中的運用[J].現(xiàn)代商業(yè)，2015（14）：33-34.

[26]林峰.基于因子分析的老字號餐飲企業(yè)顧客滿意度實證研究——一個個案研究的啟示[J].旅游學刊，2009（7）：53-58.

[27]高倩，朱夢薇.南京餐飲企業(yè)顧客滿意度研究——以真知味酒店為例[J].江蘇科技信息，2013（20）：42-45.