基于聚類和決策樹對上海景點評論分析

張小妹 梁佩

摘 要：本文爬取了大眾點評網2017 年6 月份的上海周邊游景點評論數據，篩選出四個變量，運用R及其它統計軟件對其進行分析，分別采用"最長距離法"、"類平均法"、"重心法"、"Ward法"對總分、環境評分、服務評分三個變量進行聚類分析，分析結果與該景點星級進行比較，探究聚類后的數據與星級之間分類有無一致性。最后利用決策樹進行分類，得到景點星級，總分評分，服務評分的分類，分析了游客最關注的景點指標，得到景點的旅游建議和改進措施。

關鍵詞：上海景點評論、聚類分析；決策樹

一、模型建立與分析

本文選取了上海周邊游數據集中的score、enrironment、service這三個變量，其中的缺失值用樣本均值代替，首先利用歐式距離生成三個變量的距離函數，然后用最長距離法，類平均法，重心法和Ward法分別繪出繪出譜系圖和聚類情況，對四種方法進行對比，選擇一種輸出它的分類結果，最后利用決策樹建立了一個關于上海周邊游景點的游客選擇模型。

二、聚類分析

通過上面四幅圖發現，最長距離法和Ward法聚類產生的分類比較均勻，分別輸出他們的分類情況如下：

最長距離法的分類情況：

group

1 2 3 4

157 537 52 4

Ward法的分類情況：

group

1 2 3 4

59 180 170 341

在實際數據中，上海五星級景點數為79個，準五星景點數為114個，四星級景點數為239個，準四星級景點數為318個，通過對比發現用Ward法分類產生的聚類與我們的實際數據更相符，因此選用Ward法分類輸出具體的分類情況。

第1類星級

> max（第1類星級）

[1] 5

> min（第1類星級）

[1] 3.5

結果顯示，第一類含有59個景點，他們的星級為3.5-5；

第2類星級

> max（第2類星級）

[1] 5

> min（第2類星級）

[1] 3.5

結果顯示，第二類含有180個景點，他們的星級為3.5-5；

第3類星級

> max（第3類星級）

[1] 5

> min（第3類星級）

[1] 3.5

結果顯示，第三類含有170個景點，他們的星級為3.5-5；

第4類星級

> max（第4類星級）

[1] 5

> min（第4類星級）

[1] 3.5

結果顯示，第四類含有341個景點，他們的星級為3.5-5。

最后發現用Ward法分類產生四個類的星級都在3.5-5之間，說明依據score、environment、service來評價上海景點的星級是不太合理的。

三、利用決策樹建立游客選擇模型

通過決策樹發現，第一層是依據score變量來劃分，第二層是依據service變量來劃分，第三層是依據star變量來劃分，對于score<8分，service>=6.8分并且star為3.5分的占了51%，對于score<7分，service>=5.8分并且star為3.5分的占了8%，對于service<7分，score <5.8分并且star為4分的占了17%，對于service<6.8分，service>=7分并且star為4分的占了10%，對于service>8分，score<8.9分，并且star為4.5分的占了10%，對于service>8分，score>=8.9分，并且star為5分的占了4%，對于總分又高，星級又高的景點，建議游客去旅游，但這類景點數量比較可觀。

四、結論與建議

通過對上海總評評分，環境評分，服務評分進行聚類，發現星級分類與聚類產生的類別所包含的景點數不太一致，說明星級高的景點不一定各變量評分高，各變量評分高的景點不一定星級高，故在選擇景點進行旅游時，不應該只看星級、總評評分、環境評分、服務評分，而應該關注評論的具體內容來選擇適合的景點進行旅游。

通過對星級、總評評分、服務評分進行決策樹分類發現，對于總分和星級都高的景點，建議游客去旅游。

參考文獻：

[1]崔雷.專題文獻高頻主題詞的公司聚類分析[J].情報哦理論與實踐，1996，19（4）：49—51.

[2] Metha M， Rissanen J， Agrawal R. SLIQ： A Fast Sealable Classifier for Data Mining[C]//Proc. of EDBT96. Avignon， France： [s. n.]， 1996.

[3] 楊學兵，張俊.決策樹算法及其核心技術[J].計算機應用與發展，2007.17：43-45.

[4]馮少榮，尚文俊.基于樣本選取的決策樹改進算法[J].西南交通大學學報，2009，44（5）：643-647.