王瑾璟

(無錫城市職業(yè)技術(shù)學院 江蘇無錫 214063)

DOI:10.19995/j.cnki.CN10-1617/F7.2022.23.060

在新冠疫情的沖擊下，酒店業(yè)深受重創(chuàng)。一方面，限制跨區(qū)域流動的防疫政策，造成酒店業(yè)整體需求迅速萎縮，RevPAR和入住率劇烈下滑；另一方面，禁止聚會、聚餐、堂食等聚集性活動的疫情管控措施，致使酒店無法承接各類宴席、商務會議等業(yè)務。五星級酒店的運營成本高，經(jīng)營壓力大，為了最大化提升成本效用，外賣就成為極佳的新獲客模式。一些高端酒店餐廳率先探索數(shù)字化轉(zhuǎn)型，積極開展自救，主動放低姿態(tài)，嘗試在線外賣。后疫情時代，更多的五星級酒店相繼進軍外賣領(lǐng)域，如香格里拉、喜來登、希爾頓、萬麗、萬豪等。顧客可通過第三方外賣平臺、微信公眾號、微信小程序、在線社群或直接致電酒店等多種渠道點餐下單，餐食由平臺騎手、酒店直送或?qū)ｉT的外賣提取區(qū)域自提等方式無接觸配送，以滿足周邊公司復工和社區(qū)居民用餐的需求。

近年來，外賣市場呈加速上升態(tài)勢，國家信息中心發(fā)布的《中國共享經(jīng)濟發(fā)展報告(2022)》顯示：2021年在線外賣人均支出在餐飲消費支出中的占比繼續(xù)提高，達到21.4%，較2020年提高4.4%；2021年在線外賣收入占全國餐飲業(yè)的收入比重約為21.4%，同比提高4.5%。由此可見，以外賣為代表的隔離經(jīng)濟正加速發(fā)展，未來在懶人經(jīng)濟的帶動下，五星級酒店應針對線上消費市場的龐大需求進一步擴大外賣市場，優(yōu)化數(shù)字化發(fā)展戰(zhàn)略。

1 相關(guān)研究

目前，對于在線外賣評價的研究主要有三個方面：

其一，探討用戶對外賣平臺的關(guān)注點，借此尋找其更好的互動模式，優(yōu)化外賣平臺用戶體驗。例如，劉夢月(2020)采集了市場占有份額前三位的綜合類外賣App在App Store中的在線評論數(shù)據(jù)，基于keras框架訓練TextCNN情感二分類模型，計算出用戶對每個外賣App的綜合評分。

其二，對在線外賣的評價進行情感傾向分析，揭示外賣消費體驗滿意度的影響因素，以提高外賣平臺的商家服務質(zhì)量。例如，王升盈(2019)利用Charles抓取美團外賣評論數(shù)據(jù)，把數(shù)據(jù)庫接入百度AI接口進行評論文本的情感分析，得到用戶評論的情感值大小和下單時間無關(guān)，但和配送時長有關(guān)的結(jié)論。

其三，優(yōu)化外賣評論情感分析的算法模型，提出新的思路。例如，劉子豪(2021)提出雙向LSTM外賣評論數(shù)據(jù)情感分類網(wǎng)絡(luò)，利用fast Text和BERT-MRC模型，實現(xiàn)對外賣評論數(shù)據(jù)情感傾向的多粒度識別分類，最終設(shè)計并實現(xiàn)自動情感分析原型系統(tǒng)。

綜上所述，目前學者對在線外賣評價的分析和研究較多，但是就五星級酒店的在線外賣評價領(lǐng)域而言，尚未有文本挖掘方法的應用。本文對五星級酒店在線外賣的評論數(shù)據(jù)進行詞頻和文本共現(xiàn)網(wǎng)絡(luò)分析，并訓練模型進一步分析評價的情感傾向，最后提出可行性建議。

2 數(shù)據(jù)采集與預處理

2.1 數(shù)據(jù)來源

2.1.1 數(shù)據(jù)獲取方式本文所用到的數(shù)據(jù)均是通過爬蟲軟件從網(wǎng)絡(luò)平臺上抓取的，主要采用八爪魚采集器采集相關(guān)數(shù)據(jù)，選取餓了么和美團外賣作為五星級酒店在線外賣評論數(shù)據(jù)的來源。

2.1.2 數(shù)據(jù)采集

本文選取餓了么平臺上海、蘇州和無錫五星級酒店的在線外賣評論作為數(shù)據(jù)來源，因無錫的五星級酒店在餓了么平臺的評論樣本量有限，故加入了美團外賣平臺的相關(guān)點評。所采集的評論均為截止到2022年7月31日的數(shù)據(jù)，最后共爬取到1849條評論數(shù)據(jù)，評論數(shù)據(jù)數(shù)量如表1所示。

表1 爬取評論條數(shù)統(tǒng)計

2.2 數(shù)據(jù)預處理

2.2.1 數(shù)據(jù)清洗

為了保證后續(xù)分詞和詞頻統(tǒng)計的正確率和情感分析模型的有效性，本文對爬取的評論信息作了以下清理：首先，刪除存在缺失值的數(shù)據(jù)，共刪除無意義的空白評論140條；其次，經(jīng)觀察發(fā)現(xiàn)存在多條數(shù)據(jù)的用戶名及評論內(nèi)容完全相同的情況，極有可能是為了刷單，為保證數(shù)據(jù)的有效性，將共計100條這類重復的數(shù)據(jù)刪除；最后，去除與外賣點評毫無關(guān)系的評論，共刪除14條。此時觀察數(shù)據(jù)發(fā)現(xiàn)，爬取的評論中存在詞語重復出現(xiàn)湊字數(shù)的情況，如“非常好非常好非常好……”等，為保證詞頻統(tǒng)計的正確率，對該類評論的重復詞語進行精簡，最后提取有效數(shù)據(jù)1595條。

2.2.2 文本分詞

本文采用的是基于詞典的中文分詞方法，使用python中的jieba中文分詞工具將評論語句分詞。

首先，構(gòu)建停用詞表。過濾分詞后對分析無用的助詞及標點符號等停用詞。當前，常用的停用詞表主要有百度停用詞表、哈工大停用詞表、四川大學停用詞庫及中文停用詞表，將這四個停用詞表合并去重后共有2305個停用詞。通過觀察，表中含有一些文章需要的情感詞，分別為“好”“良好”“小”“大”“很少”“很多”等，將其從停用詞典中剔除，最后共獲取2284個停用詞。

其次，構(gòu)建自定義詞典。在分詞時出現(xiàn)某些詞被錯誤分割的情況，故添加自定義分詞詞典，以彌補錯誤分詞的缺陷。例如，“保溫袋”被分割為“保溫”“袋”，還有一些重要的詞語沒有分出，將提取的269個新詞添加到自定義詞典中，并對評論信息進行進一步的分詞操作。

最后，構(gòu)建同義詞詞典。將含義相同的詞語合并，同時將與其相對應的詞頻數(shù)求和。

2.2.3 詞頻分析

對1596條評論作分詞、去停用詞和合并同義詞處理后，得到各自的分詞結(jié)果，為了解顧客評論的關(guān)注點，對其作詞頻統(tǒng)計。

將分詞后的詞頻結(jié)果生成詞云圖，忽略詞頻較高但沒有實際意義的詞語，如“沒有”，結(jié)果如圖1所示。

圖1 詞云圖

由圖1可以看出，“美味”“口味”“不錯”“很棒”“包裝”“份量足”“套餐”“干凈衛(wèi)生”等詞出現(xiàn)的頻率很高?？傮w來看，大多數(shù)顧客對五星級酒店的外賣認可度較高，但也有少部分人認為難吃，表示失望。在評論時，注重餐食的口味、包裝、份量、性價比、衛(wèi)生、送餐速度等，售出的外賣類型以套餐為主，菜類主要是中餐。

3 基于PMI的文 本共現(xiàn)網(wǎng)絡(luò)及可視化分析

3.1 PMI算法

雖然通過詞頻統(tǒng)計和詞云圖能反映出五星級酒店外賣顧客關(guān)注的主要領(lǐng)域，但無法反映各分詞在意義上的聯(lián)系，以及評價文本中深層的網(wǎng)絡(luò)關(guān)系。故本文將基于PMI計算詞語間的語義相似度，以構(gòu)建文本共現(xiàn)網(wǎng)絡(luò)。

點間互信息(PMI：Pointwise Mutual Information)主要用于計算詞語間的語義相似度，統(tǒng)計兩個詞語在文本中同時出現(xiàn)的概率。詞語w1與詞語w2的PMI值計算公式如下：

式(1)中：P(w1，w2)表示兩個詞語w1與w2共同出現(xiàn)的概率，即這兩個詞語共同出現(xiàn)的文檔數(shù)與總文檔數(shù)的比值；w1與w2分別表示這兩個詞語單獨出現(xiàn)的概率，即w1或w2單獨出現(xiàn)的文檔數(shù)與總文檔數(shù)的比值。兩個詞語在數(shù)據(jù)集的某個小范圍內(nèi)共現(xiàn)概率越大，表明其關(guān)聯(lián)度越大；反之，關(guān)聯(lián)度越小。

本文通過Python將之前完成分詞的數(shù)據(jù)構(gòu)建共現(xiàn)矩陣，計算PMI和網(wǎng)絡(luò)，最終將結(jié)果生成gexf文件。

3.2 Gephi可視化分析

通過Gephi 軟件平臺將計算生成的共現(xiàn)網(wǎng)絡(luò)文件可視化，選取前200個詞語構(gòu)建文本共現(xiàn)網(wǎng)絡(luò)圖，刪除個別意義不大的詞語節(jié)點，最終效果如圖2所示。

圖2 文本共現(xiàn)網(wǎng)絡(luò)圖

通過Gephi軟件中提供的模塊化算法，即社區(qū)探測算法，將該網(wǎng)絡(luò)圖劃分為5個模塊，模塊化分辨率為0.206，圖密度為0.217，網(wǎng)絡(luò)直徑為3，平均路徑長度約為1.788。由圖2可知，與“好評”關(guān)聯(lián)度較高的詞語主要有“菜品”“新鮮”“推薦”“包裝”“鰻魚”“實在”“不愧”“菜量”“配菜”“送來”等，這說明食材新鮮、菜量實在、配菜豐富、包裝精致、配送及時，以及菜品的口味都是讓顧客給出好評的主要因素。與“太差”關(guān)聯(lián)度較高的詞語主要有“外賣”“外賣小哥”“收到”“送達”“小時”“冷了”“打開”“菜品”“品質(zhì)”“失望”“不推薦”“難吃”“餐盒”“不新鮮”等，可見顧客對五星級酒店的外賣期望值很高，然而因配送不及時、餐盒簡陋不保溫、菜品不新鮮、不可口等問題讓顧客大失所望，導致負面評價。

4 基于樸素貝葉斯的情感分析

4.1 樸素貝葉斯算法

樸素貝葉斯算法(Naive Bayes，NB)是一種簡單但極為強大的預測建模算法，可以進行二分類或多分類，屬于一種有監(jiān)督的分類算法，也是應用最為廣泛的分類算法。它是基于貝葉斯定理與特征條件獨立性假設(shè)的分類方法。所謂樸素，是指在整個形式化過程中只做最原始的假設(shè)，這個假設(shè)使得樸素貝葉斯更加簡單，可以簡化條件概率的求解，即：

則

本文使用多項式樸素貝葉斯分類器(Multinomial NB)分析情感，實現(xiàn)評論的分類。為了解決零概率問題，通常采用拉普拉斯平滑(Laplace Smoothing)方法，即加1法，在Multinomial NB中通過alpha設(shè)置拉普拉斯平滑系數(shù)。

4.2 樸素貝葉斯模型情感分析

首先，使用python導入1000條已完成手工標注情感傾向的評論數(shù)據(jù)，標注規(guī)則為：正面情感為“2”，中性為“1”，負面情感為“0”。采用前文中的方法完成分詞，利用sklearn工具包中的feature_extraction.text.CountVectorizer工具實現(xiàn)詞向量。其次，劃分數(shù)據(jù)集，按照訓練集80%、測試集20%的比例切分。再次，訓練模型，使用sklearn中的native_bayes工具包來構(gòu)建樸素貝葉斯模型，通過Multinomial NB分類器分析情感并分類，計算該模型的準確率為0.91125。從次，測試模型，測試數(shù)據(jù)結(jié)果為0.835，說明該模型效果較好。最后，使用該模型分析其余的數(shù)據(jù)，以完成所有評論數(shù)據(jù)的情感分析，部分結(jié)果如表2所示。

表2 情感分析結(jié)果

從圖3來看，在這1595條有效評價數(shù)據(jù)中，正面情感評論占56.87%，中性情感評論占4.70%，負面情感評論占38.43%。由此可見，這些顧客認為其實際得到的產(chǎn)品、服務與自己的期望值之間還存在很大落差。雖然有超過一半的評論為正面情感，但這對以極致品質(zhì)與高端體驗為賣點的五星級酒店而言，并不盡如人意。

圖3 情感類型比例

由圖4可知，上海的五星級酒店外賣評價的正面情感比例最高，其次是蘇州，無錫的五星級酒店外賣評價情況并不理想，但也不排除樣本量過少的原因。

圖4 各酒店情感類型比例

分析907條正面情感的評論數(shù)據(jù)發(fā)現(xiàn)，提到最多的是味道好、品質(zhì)高、份量足、包裝完好、食材新鮮、衛(wèi)生放心、送餐及時、性價比高；分析613條負面情感的評論可知，口味不穩(wěn)定、廚藝不精、送錯餐、不看備注、太油膩、包裝撒漏、偷工減料、不新鮮、不更新菜品、不衛(wèi)生、不安全、不如堂食、沒有餐具、不保溫、配送超時、漲價、沒開發(fā)票、服務態(tài)度差、網(wǎng)頁上菜品口味介紹不夠詳細是導致顧客負面情感的主要因素。

5 結(jié)語

5.1 結(jié)論

(1)通過統(tǒng)計分詞詞頻可見，用戶在選擇外賣時，考慮最多的是菜品的口味，是否美味是首要問題，其次才是包裝、份量、衛(wèi)生、配速等，美觀和價格是次要考慮的。

(2)通過文本共現(xiàn)網(wǎng)絡(luò)圖可以發(fā)現(xiàn)，相較大眾餐飲，五星級酒店擁有過硬的品質(zhì)、健康的食材和精湛的技藝，體現(xiàn)了五星級酒店一貫堅持的高水準，也符合顧客對五星級酒店高品質(zhì)的預期。顧客普遍認為五星級酒店外賣在食品安全、餐食口味、外賣包裝和配送效率等方面應更有優(yōu)勢，所以對此提出了更高的要求，一旦沒有達到他們的期望值，就會給出消極評價。

(3)在情感分析的結(jié)果中，負面情感評論超過了三分之一，諸如口味不佳、包裝撒漏、偷工減料、不新鮮、不衛(wèi)生等低級錯誤是導致顧客負面情感的主要因素。由此可見，五星級酒店外賣產(chǎn)品的品質(zhì)和服務細節(jié)還有很大的提升空間。此外，這些負面的體驗和評價都會影響口碑，“負面偏好”的心理現(xiàn)象還會直接或間接地影響到其他顧客的購買決策，所以管理者要重視并有針對性地處理好負面評價，及時改善外賣的產(chǎn)品及服務。

5.2 可行性建議

在新冠疫情影響下，高端餐飲的消費趨勢正在發(fā)生變化，數(shù)字化轉(zhuǎn)型成為五星級酒店的長期發(fā)展戰(zhàn)略。在這樣的形勢下，五星級酒店如何自驅(qū)創(chuàng)新、敏捷進化尤為重要。本文對于上述結(jié)果，提出以下幾點可行性建議：

(1)雖然此前五星級酒店上線外賣產(chǎn)品只是抵御風險的無奈之舉，但是現(xiàn)在很多五星級酒店意識到線上消費市場擁有的龐大需求，也是高端餐飲發(fā)展的必然趨勢。后疫情時代，五星級酒店餐廳需進一步重視線上消費市場的開拓，將數(shù)字化融入經(jīng)營指導思想，可聘請專業(yè)的外賣運營公司或數(shù)字化技術(shù)人才指導在線外賣經(jīng)營，通過數(shù)據(jù)分析以獲取更有針對性的運營建議。

(2)如今，隨著人們生活條件的提高，顧客需求升級，其對外賣也提出了健康、品質(zhì)、社交、潮流、儀式感等更高的需求。因此，五星級酒店需全面加強質(zhì)控，進一步提升服務管理水平，通過外賣的食材、口味、包裝、送餐、產(chǎn)品詳情頁設(shè)計一系列因素的共同作用，傳達五星級酒店的品牌形象，傳遞細致服務，使顧客獲得高端體驗。以外賣包裝為例，它代表了酒店品牌、產(chǎn)品品質(zhì)和服務水平的延伸，其作用相當于餐廳的裝修設(shè)計，堂食出品時的裝盤。因此，包裝需精致，可使用有支撐設(shè)計的環(huán)保硬紙殼餐盤外加鋁膜保溫，或塑料密封、加熱包保溫。紙制打包袋、餐盒、餐具和打包絲帶上應印有酒店的Logo，餐盒上注明菜名，附上溫馨提示小卡片等?？傊?，用心做好細節(jié)，讓每個環(huán)節(jié)都能體現(xiàn)出五星級的品質(zhì)和儀式感。

(3)從數(shù)據(jù)來看，一些五星級酒店在外賣平臺的銷售情況并不理想，可爬取的評論樣本很少。隨著Z世代成為消費市場的主力軍、外賣群體的主體，五星級酒店應針對年輕群體積極開展豐富的主題營銷活動。在了解他們需求和消費特點的基礎(chǔ)上，用高端的品質(zhì)、精湛的廚藝、高顏值的包裝、貼心的服務、完美的體驗及心動的優(yōu)惠活動，實現(xiàn)年輕顧客的社交裂變分享，進而成為線上社交話題，以激發(fā)更多顧客的購買欲望。例如，當今年輕人熱衷打卡的露營風就隱藏著餐飲外賣的新增長點，五星級酒店可以推出適合家庭或派對的高顏值、高品質(zhì)的露營外帶餐食組合，敏感把握新風潮背后的市場需求，掘金露營經(jīng)濟。

5.3 不足與展望

本文將文本挖掘的分析方法應用到五星級酒店的在線外賣評價領(lǐng)域，一方面，彌補了國內(nèi)在五星級酒店在線外賣評價方面的研究缺失；另一方面，探索了導致消極評論的主要原因。然而，由于五星級酒店的在線外賣銷售只局限于第三方外賣平臺，在微信等渠道也有顧客購買，所以爬取的評論樣本量偏少且不夠全面。此外，研究樣本選取的是上海、蘇州和無錫五星級酒店的外賣評論數(shù)據(jù)，未考慮到地域性差異。就全國范圍內(nèi)而言，樣本覆蓋面還不夠廣，未來可繼續(xù)擴大樣本量，驗證和提升研究結(jié)論的準確性和普適性。