摘要：在旅游經(jīng)濟(jì)時(shí)代下，游客更加關(guān)注旅游體驗(yàn)，如何準(zhǔn)確挖掘游客的情感和觀(guān)點(diǎn)成為研究熱點(diǎn)。然而，傳統(tǒng)的景區(qū)評(píng)論情感分析模型中，情感特征提取不全面，且評(píng)論主題挖掘不充分。文章以龍門(mén)石窟景點(diǎn)評(píng)論為對(duì)象，構(gòu)建基于BERT-BiLSTM-Attention模型的情感分析模型，并利用LDA模型挖掘評(píng)論主題。實(shí)驗(yàn)表明模型的有效性，并將結(jié)果進(jìn)行可視化呈現(xiàn)，為景區(qū)優(yōu)質(zhì)服務(wù)和決策提供數(shù)據(jù)支持和理論支撐。

關(guān)鍵詞：景區(qū)評(píng)論；情感分析；BERT；BiLSTM

中圖分類(lèi)號(hào)：TP391" " " 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2025）18-0116-03

開(kāi)放科學(xué)（資源服務(wù)） 標(biāo)識(shí)碼（OSID）

0 引言

隨著國(guó)民生活品質(zhì)的穩(wěn)步提升，旅游逐漸成為人們?nèi)粘Ｉ钪兄匾膴蕵?lè)方式。隨著社交網(wǎng)站的蓬勃發(fā)展，越來(lái)越多的游客傾向于在攜程旅行等旅游網(wǎng)站上查詢(xún)景點(diǎn)信息、規(guī)劃旅游路線(xiàn)，并發(fā)表景點(diǎn)評(píng)價(jià)和分享旅游體驗(yàn)。因此，如何準(zhǔn)確挖掘游客的情感，輔助游客的旅游決策和管理者改進(jìn)服務(wù)，成為重要的研究話(huà)題[1]。

近年來(lái)，國(guó)內(nèi)外學(xué)者十分關(guān)注游客體驗(yàn)研究，并取得了初步進(jìn)展。郭栩東等[2]利用ROST CM6和情感詞典對(duì)肇慶市七星巖景區(qū)的游客評(píng)論進(jìn)行情感分析。賈博婷等[3]利用SnowNLP對(duì)長(zhǎng)白山評(píng)論進(jìn)行情感分析，并基于LDA模型挖掘游客的主題。楊鑫等[4]通過(guò)情感詞典與SnowNLP對(duì)河南熱門(mén)景點(diǎn)進(jìn)行游客細(xì)粒度情感分析，同時(shí)結(jié)合LDA模型分析了游客評(píng)論中的主題。楊秀璋等[5]提出一種融合領(lǐng)域詞典的LDA模型對(duì)貴州景點(diǎn)進(jìn)行主題挖掘。陳玉姣等[6]提出一種融合注意力機(jī)制和BiLSTM的旅游評(píng)論情感分析模型。蔡汶興等[7]提出基于BERT模型對(duì)拙政園評(píng)論進(jìn)行情感分析，同時(shí)對(duì)負(fù)面評(píng)論建立社會(huì)網(wǎng)絡(luò)和語(yǔ)義網(wǎng)絡(luò)。

然而，國(guó)內(nèi)對(duì)石窟寺旅游體驗(yàn)的情感分析仍不足，現(xiàn)有研究對(duì)評(píng)論細(xì)粒度情感特征與主題挖掘關(guān)注有限。石窟寺在我國(guó)分布廣泛且規(guī)模龐大，是我國(guó)文化遺產(chǎn)的重要組成部分。龍門(mén)石窟位居中國(guó)各大石窟之首，是全國(guó)首批5A級(jí)旅游景區(qū)，也是世界上造像最多、規(guī)模最大的石刻藝術(shù)寶庫(kù)，被聯(lián)合國(guó)教科文組織評(píng)為“中國(guó)石刻藝術(shù)的最高峰”。作為典型的石窟寺景區(qū)，如何提高游客體驗(yàn)已成為龍門(mén)石窟景區(qū)發(fā)展的重要一環(huán)[8]。劉燕楠[9]使用Selenium爬取云岡石窟評(píng)論，并利用SnowNLP進(jìn)行情感分析。邱亞鵬等[10]利用ROST CM6對(duì)龍門(mén)石窟評(píng)論進(jìn)行情感分析和社交網(wǎng)絡(luò)分析。然而，上述相關(guān)工作[9-10]采用SnowNLP和ROST CM6進(jìn)行淺層分析，尚未進(jìn)行深層次特征挖掘，且缺乏對(duì)評(píng)論情感主題的深入挖掘。故本文爬取龍門(mén)石窟景點(diǎn)評(píng)論，預(yù)處理后進(jìn)行情感分類(lèi)，并進(jìn)一步挖掘主題，得出研究建議。

本文以龍門(mén)石窟景區(qū)為研究對(duì)象，首先利用爬蟲(chóng)采集知名旅游網(wǎng)站上的景區(qū)評(píng)論，并對(duì)數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗、中文分析和去停用詞等預(yù)處理操作；其次，構(gòu)建BERT-LSTM-Attention模型對(duì)評(píng)論數(shù)據(jù)進(jìn)行有效情感分析；最后，運(yùn)用關(guān)鍵詞分析和LDA主題分析進(jìn)一步挖掘評(píng)論的主題，得出相關(guān)的結(jié)論和建議。研究框架如圖1所示。研究結(jié)果可為景區(qū)管理者提供多維度的信息支撐，有助于優(yōu)化景區(qū)服務(wù)質(zhì)量并提升游客滿(mǎn)意度。

1 數(shù)據(jù)采集與預(yù)處理

本文選取攜程網(wǎng)和同程旅行作為數(shù)據(jù)來(lái)源，使用requests庫(kù)采集旅游網(wǎng)站關(guān)于龍門(mén)石窟景區(qū)的游客評(píng)論，經(jīng)過(guò)去重操作后，共獲得評(píng)論數(shù)據(jù)10 571條，其中攜程網(wǎng)8 374條，時(shí)間范圍為2016年3月至2025年4月，同程旅行2 197條，時(shí)間范圍為2014年9月至2025年4月。

為保證數(shù)據(jù)質(zhì)量，首先將繁體評(píng)論轉(zhuǎn)為簡(jiǎn)體，去除景點(diǎn)無(wú)關(guān)和長(zhǎng)度過(guò)短的評(píng)論，移除標(biāo)點(diǎn)符號(hào)和特殊符號(hào)；然后，結(jié)合自定義詞典進(jìn)行jieba分詞，利用哈工大停用詞表去除停用詞；最后，將評(píng)論數(shù)據(jù)的評(píng)分轉(zhuǎn)換為情感分類(lèi)標(biāo)簽。將攜程網(wǎng)中評(píng)分≥4的評(píng)論數(shù)據(jù)標(biāo)記為正面，評(píng)分≤3的評(píng)論數(shù)據(jù)標(biāo)記為負(fù)面，將同程網(wǎng)中的好評(píng)數(shù)據(jù)標(biāo)記為正面，中評(píng)數(shù)據(jù)和差評(píng)數(shù)據(jù)標(biāo)記為負(fù)面。經(jīng)過(guò)數(shù)據(jù)預(yù)處理后，最終共得到有效評(píng)論9 939條。

2 情感分析

2.1 模型構(gòu)建

本文提出情感分析模型BERT-BiLSTM-Attention，利用BERT預(yù)訓(xùn)練模型獲取文本的向量表示，再使用雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)BiLSTM結(jié)合注意力機(jī)制進(jìn)行特征提取，最后將特征向量輸入全連接層，通過(guò)Softmax分類(lèi)進(jìn)行情感分析。該模型綜合了BERT的上下文語(yǔ)義捕捉能力、BiLSTM的雙向序列學(xué)習(xí)能力與注意力機(jī)制的重點(diǎn)捕捉特征，提升了情感分析效果。模型結(jié)構(gòu)如圖2所示。

本文首先將預(yù)處理后的文本輸入BERT模型得到語(yǔ)句向量表示[xt]。BERT是Jacob D等[11]于2018年提出的一種基于自注意力的預(yù)訓(xùn)練語(yǔ)言模型，BERT僅使用Transformer的編碼器作為基礎(chǔ)模型實(shí)現(xiàn)雙向編碼，能提取語(yǔ)句的上下文特征，同時(shí)實(shí)現(xiàn)并行處理，在文本分類(lèi)、問(wèn)答系統(tǒng)、命名實(shí)體識(shí)別等絕大多數(shù)自然語(yǔ)言處理任務(wù)中均取得顯著效果。本研究采用哈工大發(fā)布的BERT-wwm-ext版本模型，BERT-wwm-ext采用全詞掩蔽策略（Whole Word Masking，WWM） 將詞的每個(gè)字全部掩蓋，增強(qiáng)BERT在中文自然語(yǔ)言處理任務(wù)中的性能。

然后，使用BiLSTM對(duì)文本向量進(jìn)行深度特征提取。BiLSTM由前向和后向兩個(gè)方向相反的LSTM組成，分別學(xué)習(xí)文本的上文表示和下文表示，并將上文表示和下文表示進(jìn)行拼接得到輸出。計(jì)算公式如下：

[ht=LSTM（xt，ht-1）]" " " " " "（1）

[ht=LSTM（xt，ht-1）]" " " " "（2）

[ht=Wtht+Vtht+bt]" " " "（3）

式中：[ht-1]和[ht-1]分別表示t時(shí)刻前向隱狀態(tài)表示和后向隱狀態(tài)表示，[ht]和[ht]分別表示t時(shí)刻前向LSTM和后向LSTM的輸出狀態(tài)表示，[Wt]和[Vt]表示權(quán)重矩陣，[bt]表示偏置向量。

為突出評(píng)論文本的情感信息，將BiLSTM模型的輸出輸入注意力機(jī)制，使模型關(guān)注重要信息，忽略不重要信息，進(jìn)一步提高情感分析的準(zhǔn)確率。為BiLSTM的輸出[ht]分配權(quán)重矩陣[Wa]和偏置向量[ba]，得到注意力權(quán)重[uit]：

[uit=tanh（Waht+ba）]" " " " " （4）

通過(guò)Softmax函數(shù)對(duì)[uit]進(jìn)行歸一化，得到注意力得分[ait]：

[ait=softmax（uit）]" " " " "（5）

然后將[ht]和[ait]加權(quán)求和，得到情感突出的特征表示[st]：

[st=i=1Taitht]" " " " "（6）

通過(guò)Softmax函數(shù)得到情感極性[y]的預(yù)測(cè)結(jié)果：

[y=softmax（Wsst+bs）]" " " " （7）

式中：[st]表示特征向量，[Ws]表示權(quán)重矩陣，[bs]表示偏置向量。

2.2 參數(shù)設(shè)置

為提高訓(xùn)練效率，同時(shí)避免過(guò)擬合，本文將訓(xùn)練次數(shù)（epoch） 設(shè)置為20次，學(xué)習(xí)率（learning_rate） 為0.000 02，dropout為0.3，批大?。╞atch_size） 為32，序列最大長(zhǎng)度（max_length） 為128，隱藏層尺寸（hidden_size） 為128，具體參數(shù)如表1所示。

2.3 評(píng)價(jià)指標(biāo)

為評(píng)估模型的綜合性能，本文選取準(zhǔn)確率（Accuracy） 、精確率（Precision） 、 召回率（Recall） 和F1值（F1_score） 作為評(píng)價(jià)指標(biāo)。準(zhǔn)確率是評(píng)估模型在所有樣本中預(yù)測(cè)正確的比例，衡量模型的整體分類(lèi)能力，是最常用的評(píng)估指標(biāo)。精確率是評(píng)估模型預(yù)測(cè)為正類(lèi)別的樣本中實(shí)際為正類(lèi)別的比例，關(guān)注模型在正類(lèi)別預(yù)測(cè)中的準(zhǔn)確性。召回率（又稱(chēng)查全率） 是評(píng)估實(shí)際為正類(lèi)別中模型預(yù)測(cè)為正類(lèi)別的比例。F1值是精確率與召回率的調(diào)和平均數(shù)，綜合考慮精確率和召回率來(lái)評(píng)估模型性能。

具體計(jì)算公式如下：

[Accuracy=TP+TNTP+TN+FP+FN]" " " （8）

[Precision=TPTP+FP]" " " " "（9）

[Recall=TPTP+FN]" " "（10）

[F1_score=2×Precision×RecallPrecision+Recall]" " "（11）

式中：TP（True Positive） 表示模型正確預(yù)測(cè)正類(lèi)別的樣本數(shù)量；TN（True Negatives） 表示模型正確預(yù)測(cè)負(fù)類(lèi)別的樣本數(shù)量；FP（False Positive） 表示模型錯(cuò)誤將負(fù)類(lèi)別預(yù)測(cè)為正類(lèi)別的樣本數(shù)量；FN（False Negatives） 表示模型錯(cuò)誤將正類(lèi)別預(yù)測(cè)為負(fù)類(lèi)別的樣本數(shù)量。

2.4 實(shí)驗(yàn)結(jié)果分析

為全面驗(yàn)證模型的性能，本研究選擇將傳統(tǒng)機(jī)器學(xué)習(xí)模型（SVM、NB、KNN） 與深度學(xué)習(xí)模型（LSTM、BiLSTM、BERT等） 進(jìn)行對(duì)比實(shí)驗(yàn)，情感分析結(jié)果如表2所示。

由表2可知，BERT-BiLSTM-Attention在各個(gè)指標(biāo)上均超過(guò)了其他模型，準(zhǔn)確率達(dá)到0.928，精確率達(dá)到0.924，召回率達(dá)到0.926，F(xiàn)1值達(dá)到0.925，表明本文提出的模型在景區(qū)評(píng)論情感分析上展現(xiàn)出較好的性能，驗(yàn)證了模型的有效性。與基礎(chǔ)BERT相比，本文提出模型準(zhǔn)確率提升了4.98%，精確率提升了4.88%，召回率提升了4.99%，F(xiàn)1值提升了4.88%，說(shuō)明Attention機(jī)制在評(píng)論情感特征提取方面有效提升了模型表現(xiàn)。

3 主題挖掘

3.1 關(guān)鍵詞提取

基于TF-IDF對(duì)消極評(píng)論提取前20個(gè)關(guān)鍵詞，結(jié)果如表3所示，提取前5 000個(gè)關(guān)鍵詞后，并使用WordCloud生成詞云圖，結(jié)果如圖3所示。由表3和圖3可看出，“講解”“導(dǎo)游”出現(xiàn)的頻率較高，反映游客對(duì)景區(qū)講解質(zhì)量或?qū)в畏?wù)的不滿(mǎn)；“佛像”“大佛”“盧舍那”表明大佛破壞嚴(yán)重，游客在景區(qū)體驗(yàn)未達(dá)到預(yù)期；“很多”“人很多”“電瓶車(chē)”“停車(chē)場(chǎng)”等表明游客在游客疏散和交通管理等方面存在不滿(mǎn)。

3.2 主題分析

本文通過(guò)LDA模型對(duì)消極評(píng)論進(jìn)行主題分析，迭代次數(shù)設(shè)置為200，選用困惑度較低且一致性較高的主題值作為主題數(shù)候選，結(jié)合PyLDAvis可視化效果，確定消極評(píng)論的最佳主題數(shù)為3，提取每個(gè)主題的前10個(gè)特征詞，主題分析結(jié)果如表4所示。

由表4可知，景區(qū)消極評(píng)論的主題體現(xiàn)在交通環(huán)境、大佛破壞和服務(wù)管理三個(gè)方面。交通環(huán)境包含“沒(méi)有”“電瓶車(chē)”“西山”“停車(chē)場(chǎng)”“東山”等主要特征詞；大佛破壞包含“佛像”“石刻”“大佛”“盧舍那”“破壞”等主要特征詞；服務(wù)管理包含“講解”“導(dǎo)游”“人太多”“門(mén)票”“取票”等主要特征詞。

通過(guò)對(duì)龍門(mén)石窟景區(qū)消極情感的主題挖掘研究，建議景區(qū)管理者結(jié)合交通環(huán)境、大佛破壞、服務(wù)管理等問(wèn)題進(jìn)行改善。在節(jié)假日限流方面，可借鑒故宮博物院實(shí)施的預(yù)約系統(tǒng)策略，提高游客分流效果；在講解服務(wù)方面，可提供AR增強(qiáng)現(xiàn)實(shí)和知識(shí)圖譜導(dǎo)覽，打造沉浸式服務(wù)。

4 結(jié)論

針對(duì)當(dāng)前旅游分析模型沒(méi)有充分挖掘情感特征的問(wèn)題，本文以龍門(mén)石窟景區(qū)評(píng)論為研究對(duì)象展開(kāi)深入研究。本文使用網(wǎng)絡(luò)爬蟲(chóng)獲取旅游網(wǎng)站的評(píng)論數(shù)據(jù)并進(jìn)行預(yù)處理，構(gòu)建BERT-BiLSTM-Attention模型進(jìn)行情感分析，性能最優(yōu)。然后對(duì)消極評(píng)論進(jìn)行關(guān)鍵詞提取及主題挖掘，并對(duì)景區(qū)存在的問(wèn)題提供建設(shè)性建議。下一步，本研究將嘗試融合多模態(tài)數(shù)據(jù)，以深入挖掘旅游評(píng)論背后的意圖、態(tài)度和需求，為更全面的景區(qū)決策提供參考。

參考文獻(xiàn)：

[1] 王新宇.基于情感分析技術(shù)的景區(qū)游客網(wǎng)絡(luò)評(píng)價(jià)研究[J].科技風(fēng)，2024，26：154-156.

[2] 郭栩東，胡綠，李茂強(qiáng)，王怡.在線(xiàn)評(píng)論數(shù)據(jù)挖掘視角下游客情感分析模式構(gòu)建：以肇慶市七星巖景區(qū)為調(diào)研對(duì)象[J].科技創(chuàng)新與應(yīng)用，2024，14（13）：9-13.

[3] 賈博婷，馬鋮.基于情感分析的旅游體驗(yàn)研究：以長(zhǎng)白山風(fēng)景區(qū)為例[J].旅游縱覽，2022（2）：87-91，96.

[4] 楊鑫，楊典，蘇慧慧，等.基于情感分析的景點(diǎn)評(píng)論主題挖掘[J].圖書(shū)情報(bào)導(dǎo)刊，2020，5（8）：59-65.

[5] 楊秀璋，宋卓遠(yuǎn)，趙凱，等.基于LDA模型和情感分析的貴州景點(diǎn)輿情分析研究[J].現(xiàn)代計(jì)算機(jī)，2021，27（25）：36-43.

[6] 陳玉嬌，陳崇成，呂貴杰，等.融合注意力機(jī)制和Bi-LSTM的旅游評(píng)價(jià)情感分析模型[J].軟件導(dǎo)刊，2022，21（2）：43-47.

[7] 蔡汶興，李興東.基于BERT模型的景區(qū)評(píng)論情感分析[J].貴州大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，38（2）：57-60.

[8] 徐子涵，肖雨馨.龍門(mén)石窟數(shù)字化保護(hù)現(xiàn)狀與實(shí)踐路徑研究[J].貴州大學(xué)學(xué)報(bào)（藝術(shù)版），2024，38（6）：78-89.

[9] 劉燕楠.基于爬蟲(chóng)技術(shù)對(duì)云岡石窟景區(qū)評(píng)論的情感分析與可視化展示[J].電腦知識(shí)與技術(shù)，2024，20（21）：74-76.

[10] 邱亞鵬，梁留科，蘇小燕，等.文旅融合背景下石窟寺景區(qū)的游客情感分析：以洛陽(yáng)龍門(mén)石窟為例[J].河南大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，52（1）：34-42.

[11] JACOB D，MING-WEI C，KENTON L，KRISTINA T.BERT： Pre-training of Deep Bidirectional Transformers for Language Understanding[C].Proceedings of the 2019 conference of the North American chapter of the association for computational linguistics： human language technologies，2019：4171-4186.

【通聯(lián)編輯：謝媛媛】