面向不平衡網(wǎng)絡(luò)評(píng)論數(shù)據(jù)挖掘的服務(wù)質(zhì)量評(píng)價(jià)

顧永春，顧興全，武 嬌，洪彩鳳，金世舉

1(中國(guó)計(jì)量大學(xué) 理學(xué)院，杭州 310018)

2(中國(guó)計(jì)量大學(xué) 標(biāo)準(zhǔn)化學(xué)院，杭州 310018)

1 引 言

隨著我國(guó)旅游業(yè)由高速增長(zhǎng)向高質(zhì)量發(fā)展轉(zhuǎn)變，酒店服務(wù)質(zhì)量[1,2]越來(lái)越成為各類酒店在激烈的市場(chǎng)競(jìng)爭(zhēng)中取得優(yōu)勢(shì)的關(guān)鍵因素之一，因此，對(duì)酒店服務(wù)質(zhì)量的評(píng)價(jià)受到越來(lái)越多的重視和應(yīng)用.酒店服務(wù)質(zhì)量評(píng)價(jià)是指以顧客感知[3,4]為基礎(chǔ)，以顧客評(píng)價(jià)為參照，以顧客滿意為目標(biāo)，一切從顧客出發(fā)的服務(wù)管理行為.國(guó)內(nèi)外學(xué)者從顧客出發(fā)，對(duì)酒店服務(wù)質(zhì)量評(píng)價(jià)方法進(jìn)行了大量研究，從評(píng)價(jià)數(shù)據(jù)來(lái)源來(lái)看，這些方法大致可以分為兩類：一類是以調(diào)查問卷為信息數(shù)據(jù)來(lái)源的研究方法.例如，尹華光等[5]以3個(gè)方面、24個(gè)問題為基本結(jié)構(gòu)設(shè)計(jì)問卷，利用修改后的SERVQUAL量表來(lái)測(cè)評(píng)張家界高星級(jí)酒店顧客對(duì)服務(wù)質(zhì)量的期望和感知.Nunkoo等[6]通過447份問卷對(duì)南非各星級(jí)酒店服務(wù)質(zhì)量的顧客滿意度進(jìn)行了深入調(diào)查研究，為不同星級(jí)酒店提高服務(wù)質(zhì)量和顧客滿意度提供了有針對(duì)性的指導(dǎo)意見.但問卷設(shè)計(jì)嚴(yán)重依賴專家經(jīng)驗(yàn)，受主觀影響較大，無(wú)法反映問卷未涉及到的服務(wù)項(xiàng)目質(zhì)量，并且數(shù)據(jù)獲取成本過高.另一類是以網(wǎng)絡(luò)評(píng)論為數(shù)據(jù)來(lái)源的研究方法.網(wǎng)絡(luò)評(píng)論因其傳播速度快，具有實(shí)時(shí)性，獲取成本低，并且完全來(lái)自顧客親身體驗(yàn)等特點(diǎn)而受到廣泛關(guān)注，基于網(wǎng)絡(luò)評(píng)論的服務(wù)質(zhì)量評(píng)價(jià)正逐漸成為研究主流.這類方法通常使用自然語(yǔ)言處理(Natural Language Processing，NLP )技術(shù)對(duì)網(wǎng)絡(luò)評(píng)論文本數(shù)據(jù)進(jìn)行預(yù)處理，然后根據(jù)文本的詞頻(Term Frequency,TF)[7]或詞頻逆文檔頻率(Term Frequency Inverse Document Frequency,TFIDF)[8]等統(tǒng)計(jì)信息選取特征詞作為研究主體的服務(wù)質(zhì)量特征，最后利用聚類[9]和情感分析[10,11]構(gòu)建計(jì)量經(jīng)濟(jì)模型分析服務(wù)質(zhì)量與顧客滿意度的關(guān)系.

盡管基于網(wǎng)絡(luò)評(píng)論構(gòu)建的服務(wù)質(zhì)量評(píng)價(jià)模型能夠從顧客自身體驗(yàn)的角度以更少的人工成本提供更為客觀的評(píng)價(jià)結(jié)果，但是由于網(wǎng)絡(luò)獲取的評(píng)論數(shù)據(jù)通常分布不均衡，使得上述方法在實(shí)際應(yīng)用中存在一些問題.首先，以TF作為特征選擇的權(quán)值，會(huì)導(dǎo)致評(píng)論數(shù)目多的主體特征明顯，評(píng)論數(shù)目少的主體特征不夠顯著，進(jìn)一步導(dǎo)致行業(yè)共性特征被某些個(gè)性特征所替代.其次，很多基礎(chǔ)性服務(wù)特征詞會(huì)重復(fù)出現(xiàn)在多個(gè)酒店評(píng)論中，如果一個(gè)服務(wù)特征詞在不同酒店評(píng)論中出現(xiàn)次數(shù)越多，說(shuō)明該特征受到的關(guān)注越廣泛，越能代表行業(yè)共性.還有，雖然TFIDF是一個(gè)很好的分類特征，但是評(píng)論數(shù)據(jù)分布不均衡使得這種代表行業(yè)共性的特征詞的TFIDF值相對(duì)較低，從而導(dǎo)致其重要程度被錯(cuò)誤判定.此外，在根據(jù)權(quán)重大小選取特征詞方面，傳統(tǒng)方法存在缺乏客觀性的問題，通常都是依靠主觀經(jīng)驗(yàn)人為確定.另一種方法是利用齊普夫定律確定高頻詞進(jìn)行特征詞選擇，但該方法在許多情況下效果并不理想[12].在情報(bào)學(xué)領(lǐng)域，G指數(shù)(G-index)[13]被用于衡量高質(zhì)量論文對(duì)學(xué)者學(xué)術(shù)成就的貢獻(xiàn)和評(píng)價(jià)期刊學(xué)術(shù)影響力等問題.近年來(lái)，文本挖掘領(lǐng)域的共詞分析研究中出現(xiàn)一些應(yīng)用G指數(shù)確定高頻詞的方法[14,15]，取得較好的效果.最后，在服務(wù)質(zhì)量評(píng)價(jià)計(jì)算模型中，當(dāng)不同評(píng)價(jià)主體的評(píng)論數(shù)據(jù)分布不均衡時(shí)，會(huì)導(dǎo)致評(píng)論數(shù)量少的主體的評(píng)分趨于極高或極低的極端情況，從而引起評(píng)分不準(zhǔn)確、顧客對(duì)各個(gè)主體服務(wù)質(zhì)量滿意度排名不合理等問題.

針對(duì)在酒店服務(wù)質(zhì)量評(píng)價(jià)模型構(gòu)建中由評(píng)論數(shù)據(jù)不均衡導(dǎo)致的上述問題，本文首先提出一種用于特征選擇的主體頻率(Subject Frequency,SF)權(quán)重，通過統(tǒng)計(jì)包含特征詞的主體所占的比例來(lái)定義某特征詞對(duì)行業(yè)共性表示的重要程度.其次，本文借鑒G指數(shù)的構(gòu)建思想，提出SF-G指數(shù)用于對(duì)高頻特征詞的客觀選取，建立服務(wù)質(zhì)量評(píng)價(jià)指標(biāo)體系.第三，在服務(wù)質(zhì)量評(píng)分模型中，本文提出一種基于熱度指數(shù)加權(quán)的顧客滿意度評(píng)分方法，以定義的熱度指數(shù)反映不同主體受顧客關(guān)注度的大小，從而有效地弱化數(shù)據(jù)不均衡產(chǎn)生的評(píng)價(jià)結(jié)果失真.最后，利用酒店網(wǎng)絡(luò)評(píng)論數(shù)據(jù)對(duì)本文的評(píng)價(jià)模型及方法進(jìn)行實(shí)證分析.

2 服務(wù)質(zhì)量指標(biāo)體系構(gòu)建

面向不平衡網(wǎng)絡(luò)評(píng)論的酒店服務(wù)質(zhì)量評(píng)價(jià)指標(biāo)體系構(gòu)建主要包括以下步驟：1) 網(wǎng)絡(luò)評(píng)論文本數(shù)據(jù)的采集和預(yù)處理；2) 詞的向量表示；3) 特征詞選擇；4) 特征詞聚類提取評(píng)價(jià)指標(biāo).構(gòu)建流程如圖1所示.

圖1 服務(wù)質(zhì)量指標(biāo)體系構(gòu)建流程Fig.1 Construction of service quality index system

2.1 語(yǔ)料獲取及預(yù)處理

本文以酒店評(píng)論為研究對(duì)象，利用集搜客(1)http://www.gooseeker.com/網(wǎng)絡(luò)爬蟲工具獲取貓途鷹網(wǎng)站(2)https://www.tripadvisor.cn/上中國(guó)所有省、直轄市、自治區(qū)(包括港澳臺(tái)地區(qū))的五星級(jí)酒店的中文顧客評(píng)論.為保證評(píng)論的有效性，首先需要對(duì)網(wǎng)絡(luò)抓取的評(píng)論文本進(jìn)行清洗，去除文本中的網(wǎng)頁(yè)格式等無(wú)用信息.然后，對(duì)每條評(píng)論進(jìn)行中文分詞和詞性標(biāo)注，并去除停用詞.本文使用python的第三方工具包jieba分詞和哈工大停用詞表進(jìn)行中文分詞和去除停用詞等預(yù)處理工作.

2.2 詞向量表示

V={(w,v,wPOS)|w∈V,v∈RM}

(1)

2.3 特征詞提取

特征詞提取的方法很多，大多是基于特征規(guī)則排序的，例如將TF和TFIDF作為詞的權(quán)值，通過對(duì)權(quán)值的排序提取特征詞.評(píng)論語(yǔ)料詞典V中的某個(gè)詞W的TF和TFIDF權(quán)值的數(shù)學(xué)表示分別為：

(2)

(3)

其中，f(·)是權(quán)值函數(shù)，nw,d是詞w在評(píng)論d∈D中出現(xiàn)的次數(shù)，∑d∈Dnw,d是詞w在評(píng)論語(yǔ)料集D中出現(xiàn)的次數(shù)，∑d∈D∑w∈dnw,d是D中所有的詞出現(xiàn)的次數(shù)，Nw是D中包含詞w的評(píng)論數(shù)，N是D中評(píng)論總數(shù).將V中所有詞的TF和TFIDF權(quán)值從大到小進(jìn)行排序，指定待選取的特征詞個(gè)數(shù)|W|，選擇前|W|個(gè)具有最大權(quán)值的詞為特征詞.或者，給定一個(gè)特征選擇的閾值f0，將每個(gè)詞的TF和TFIDF權(quán)值與其進(jìn)行比較，得到特征詞集合

W={(w,v,wPOS)|f(w)>f0,(w,v,wPOS)∈V}

(4)

這里，f0可以看成區(qū)分高頻詞和低頻詞的臨界值，通常選取高頻詞作為特征詞.

如前所述，在評(píng)論語(yǔ)料分布不均衡時(shí)，一方面TF和TFIDF權(quán)值會(huì)導(dǎo)致體現(xiàn)主體個(gè)性特征的詞被錯(cuò)判成刻畫行業(yè)共性的特征詞，并容易弱化代表行業(yè)共性的特征詞的重要度；另一方面，上述的特征選擇方法依靠主觀經(jīng)驗(yàn)，缺乏客觀性.本節(jié)提出主體頻率(SF)權(quán)值和基于主體頻率的G(SF-G)指數(shù)模型來(lái)解決這些問題.

2.3.1 SF權(quán)值

本文將服務(wù)質(zhì)量評(píng)價(jià)的對(duì)象稱為主體(Subject)，例如酒店，不同的酒店對(duì)應(yīng)于不同的主體.假設(shè)評(píng)論語(yǔ)料集D是由來(lái)自于P個(gè)不同主體S1,…,SP的子語(yǔ)料集D1,…,DP組成，即D={D1,…,DP}.將D中的評(píng)論進(jìn)行分詞和Word2Vec詞向量訓(xùn)練后，對(duì)每個(gè)主體Sp可得到其對(duì)應(yīng)的子詞典

Vp={(w,v,wPOS)|w∈d,d∈Dp,v∈RM}
p=1,2,…,P

(5)

對(duì)字典V中的詞w，其SF權(quán)值定義如下：

(6)

(7)

下面將通過一個(gè)簡(jiǎn)單的例子說(shuō)明SF權(quán)值在緩解語(yǔ)料不均衡問題上的作用及效果.假設(shè)某行業(yè)由3個(gè)主體S1、S2、S3組成，詞w1、w2和w3是行業(yè)的三個(gè)重要特征.在不均衡的網(wǎng)絡(luò)評(píng)論語(yǔ)料中，主體S1有100條評(píng)論，且都包含w1；主體S2有10條評(píng)論，且都包含w1和w2；主體S3有90條評(píng)論，且都包含詞w1和w3.顯然，w1在整個(gè)行業(yè)中重要度最大，w2和w3的重要度相近且低于w1.由(2)式分別計(jì)算w1、w2和w3的TF權(quán)值為0.6667、0.0333、0.3000，可以看到，w2的權(quán)值僅是最大權(quán)值的1/20，在特征選擇中很容易被忽略.由(3)式得到w1、w2和w3的TFIDF權(quán)值分別為0、13.01、31.21，歸一化后為0、0.2942、0.7058，由于w1的權(quán)值為0，將導(dǎo)致最重要的特征被忽略.由(6)式計(jì)算w1、w2和w3的SF權(quán)值分別為1、1/3、1/3，歸一化得到0.6、0.2、0.2，可見w1的SF權(quán)值最大，w2和w3的權(quán)值相同且略小于w1，說(shuō)明SF權(quán)值能夠更為準(zhǔn)確地體現(xiàn)詞語(yǔ)在刻畫行業(yè)整體特征時(shí)的重要度.

2.3.2 基于SF-G指數(shù)的特征詞提取

服務(wù)質(zhì)量評(píng)價(jià)的目標(biāo)通常對(duì)應(yīng)于評(píng)論文本中的名詞，因此為了確定顧客對(duì)服務(wù)質(zhì)量的關(guān)注點(diǎn)，進(jìn)一步確定服務(wù)質(zhì)量評(píng)價(jià)綜合指標(biāo)，需要在語(yǔ)料詞典的名詞中進(jìn)行特征詞提取(3)為了簡(jiǎn)潔，本文將作為服務(wù)質(zhì)量評(píng)價(jià)目標(biāo)的特征名詞簡(jiǎn)稱為特征詞。.將由名詞構(gòu)成的詞典記為

VNoun={(w,v)|(w,v,wPOS=Noun)∈V}

(8)

文獻(xiàn)[12]將G指數(shù)[14]應(yīng)用于共詞分析的主題詞選取，提出詞頻G指數(shù)來(lái)確定高頻詞.文獻(xiàn)[15]將詞頻G指數(shù)進(jìn)行改進(jìn)，解決了將多個(gè)具有相同頻次的詞語(yǔ)劃分為高頻或低頻詞的問題.借鑒上述工作，我們提出主體頻率G(SF-G)指數(shù)的特征詞選擇方法.將VNoun中的名詞按其SF權(quán)值從大到小進(jìn)行排序，定義前G個(gè)詞的累計(jì)主體頻率(Cumulative Subject Frequency,CSF)為

(9)

則劃分高低頻詞的SF-G指數(shù)的判別條件為

(10)

其中，P是主體總數(shù)，n是與第G個(gè)詞wG具有相同SF的詞(包括wG)的個(gè)數(shù).由于

(n-1)fSF(wG)+fSF(wG+n)

(11)

因此，(10)式的判別條件可等價(jià)地表示為

(12)

也就是說(shuō)，當(dāng)前G個(gè)詞的CSF值滿足不等式(12)時(shí)，將選擇前G+n-1高頻詞作為特征詞，形成的特征詞集合記為

WNoun={(wi,vi)|(wi,vi)∈VNoun,i=1,2,…,G+n-1}

(13)

2.4 基于特征詞聚類的評(píng)價(jià)指標(biāo)提取

3 服務(wù)質(zhì)量評(píng)分模型

依據(jù)提取的服務(wù)質(zhì)量評(píng)價(jià)指標(biāo)，為了對(duì)行業(yè)某個(gè)主體的服務(wù)質(zhì)量進(jìn)行評(píng)價(jià)，需要進(jìn)一步構(gòu)建服務(wù)質(zhì)量評(píng)分模型，根據(jù)網(wǎng)絡(luò)評(píng)論語(yǔ)料計(jì)算得到顧客對(duì)主體服務(wù)質(zhì)量的滿意度分?jǐn)?shù).服務(wù)質(zhì)量評(píng)價(jià)目標(biāo)是由評(píng)論文本中的名詞確定，而顧客對(duì)主體服務(wù)質(zhì)量的感知?jiǎng)t由評(píng)論文本中的情感詞(形容詞及副詞)決定，根據(jù)情感詞的情感極性來(lái)判斷評(píng)論句的情感傾向，該內(nèi)容屬于NLP中情感分析的研究范疇.本文將直接利用已有的情感分析工具獲取評(píng)論句的情感極性得分，并以此為基礎(chǔ)，結(jié)合第2節(jié)提取的服務(wù)質(zhì)量評(píng)價(jià)指標(biāo)，設(shè)計(jì)服務(wù)質(zhì)量評(píng)分模型.評(píng)分模型的構(gòu)建過程需要解決以下幾個(gè)問題：1) 評(píng)論句分類；2) 評(píng)論句情感極性分析；3) 服務(wù)質(zhì)量評(píng)分計(jì)算.

3.1 評(píng)論句分類

依據(jù)中文書寫格式和習(xí)慣，首先以標(biāo)點(diǎn)符號(hào)或者空格為分割符號(hào)，將所有評(píng)論分割成短評(píng)論句.然后，根據(jù)特征詞的聚類結(jié)果{W1,W2,…,WK}，將評(píng)論句分派到服務(wù)質(zhì)量各級(jí)評(píng)價(jià)指標(biāo)相應(yīng)的類別.在擁有大量標(biāo)注語(yǔ)料的情況下，通常可以將已標(biāo)注類別的評(píng)論句作為樣本來(lái)訓(xùn)練分類器，再使用分類器對(duì)無(wú)標(biāo)注評(píng)論句進(jìn)行分類.然而，直接由網(wǎng)絡(luò)獲取的評(píng)論通常都是未標(biāo)注語(yǔ)料，因此本文使用基于評(píng)價(jià)指標(biāo)匹配的方法對(duì)評(píng)論句進(jìn)行分類.

(14)

(15)

其中，k=1,2,…,K;i=1,2,…,|Wk| 同樣，評(píng)論句dp可以屬于不同三級(jí)指標(biāo)對(duì)應(yīng)的類別.

3.2 評(píng)論句情感分析

本文直接使用中文NLP的SnowNLP庫(kù)中的情感分析工具包對(duì)分類后的評(píng)論句進(jìn)行情感分析，并給出情感分.SnowNLP的情感分析的基本模型是Bayes模型，利用SnowNLP訓(xùn)練的情感分類器可對(duì)評(píng)論句的情感極性進(jìn)行預(yù)測(cè).對(duì)某條評(píng)論句d，將其情感分記為z(d),z(d)∈(0,1).情感分值越大表示評(píng)論句的情感越傾向于積極的一面，說(shuō)明顧客滿意度越高；反之，顧客滿意度越低.

3.3 評(píng)分模型

對(duì)多個(gè)評(píng)價(jià)主體的評(píng)論句分別進(jìn)行各級(jí)分類后，可以利用評(píng)論句的情感分計(jì)算各級(jí)指標(biāo)的評(píng)分.并依據(jù)各評(píng)價(jià)主體的指標(biāo)評(píng)分進(jìn)一步對(duì)行業(yè)的各級(jí)服務(wù)質(zhì)量指標(biāo)進(jìn)行評(píng)價(jià)，以及對(duì)各主體的顧客滿意度進(jìn)行排名.各級(jí)指標(biāo)的評(píng)分一般可通過對(duì)下級(jí)指標(biāo)得分取平均得到，然而當(dāng)各評(píng)價(jià)主體的評(píng)論句分布不均衡時(shí)，將會(huì)導(dǎo)致僅具有少量評(píng)論句的主體的評(píng)分趨于極高或極低的極端情況，從而會(huì)引起各級(jí)指標(biāo)評(píng)分不準(zhǔn)確、以及各主體的顧客滿意度排名不合理的問題.一般來(lái)說(shuō)，對(duì)主體或與主體評(píng)價(jià)指標(biāo)相關(guān)的評(píng)論數(shù)據(jù)越多，表示主體越受顧客歡迎，或者主體評(píng)價(jià)指標(biāo)受關(guān)注度越高；反之亦然.基于此，本文將采用加權(quán)平均的方法計(jì)算各級(jí)指標(biāo)的評(píng)分，同時(shí)在對(duì)不同評(píng)價(jià)主體的指標(biāo)評(píng)分計(jì)算中引入一種熱度指數(shù)，以緩解數(shù)據(jù)不均衡產(chǎn)生的問題.

3.3.1 行業(yè)指標(biāo)評(píng)分

(16)

(17)

其中,k=1,2,…,K;i=1,2,…,|Wk|.

(18)

(19)

3.3.2 評(píng)價(jià)主體指標(biāo)評(píng)分

(20)

(21)

(22)

(23)

(24)

類似地，Sp的一級(jí)指標(biāo)T(1)的評(píng)分定義為二級(jí)指標(biāo)評(píng)分的熱度加權(quán)平均，即

(25)

(26)

(27)

(28)

4 不均衡網(wǎng)絡(luò)評(píng)論下的酒店服務(wù)質(zhì)量評(píng)價(jià)

4.1 語(yǔ)料概況

本文使用爬蟲技術(shù)收集“貓途鷹”網(wǎng)站上中國(guó)所有省、直轄市、自治區(qū)(包括港澳臺(tái)地區(qū))的五星級(jí)酒店的中文評(píng)論，共涉及438個(gè)五星級(jí)酒店，其中最早的評(píng)論來(lái)自2006年2月，最新的評(píng)論來(lái)自2019年10月.評(píng)論數(shù)據(jù)統(tǒng)計(jì)見表1.從表中可以看到，最大酒店評(píng)論數(shù)與最小酒店評(píng)論數(shù)的極差為8943，并且語(yǔ)料的標(biāo)準(zhǔn)差達(dá)到1037.41，說(shuō)明語(yǔ)料中各酒店評(píng)論數(shù)據(jù)的分布極不均衡.如：

表1 酒店評(píng)論數(shù)據(jù)統(tǒng)計(jì)Table 1 Data statistics of hotel reviews

4.2 實(shí)驗(yàn)環(huán)境工具

實(shí)驗(yàn)運(yùn)行在CPU型號(hào)為i5-4210M，內(nèi)存為8 GB，操作系統(tǒng)為Windows 10 專業(yè)版 64位的筆記本電腦上.實(shí)驗(yàn)涉及的所有程序代碼均采用python3.6.5實(shí)現(xiàn)，并在Spyder3下進(jìn)行編譯與運(yùn)行.程序中主要使用的軟件包及相應(yīng)版本如下：機(jī)器學(xué)習(xí)包scikit-learn(0.22.1)，數(shù)值運(yùn)算包numpy(1.18.1)，詞向量訓(xùn)練工具包gensim(3.8.2)，中文情感處理包SnowNLP(0.12.3)以及中文分詞工具包jieba(0.42.1).

4.3 特征詞提取

為發(fā)現(xiàn)顧客對(duì)酒店服務(wù)的關(guān)注情況，首先對(duì)上述語(yǔ)料數(shù)據(jù)進(jìn)行分詞并標(biāo)注詞性，將詞語(yǔ)分為名詞、動(dòng)詞、形容詞、其他等四類，其分布情況如表2所示.酒店服務(wù)質(zhì)量評(píng)價(jià)的目標(biāo)一般為評(píng)論文本中的名詞，本文從名詞中提取特征詞作為酒店服務(wù)特征.

表2 詞性分布Table 2 Part of speech

圖2 給出評(píng)論名詞的SF、TF和TFIDF三種權(quán)值梯度的變化趨勢(shì)圖，其橫坐標(biāo)按權(quán)值大小排序.可以看出TF和TFIDF兩種權(quán)值在不平衡數(shù)據(jù)下會(huì)出現(xiàn)數(shù)值突變的情況，如果以突變點(diǎn)作為特征詞權(quán)值分界點(diǎn)，則特征詞數(shù)目過少，無(wú)法完整反映酒店特征；而SF權(quán)值變化更為平緩，能夠更全面地表示酒店特征，因此基于SF權(quán)值提取特征詞應(yīng)更為合理.

圖2 權(quán)值梯度變化圖Fig.2 Changes of weights gradient

評(píng)論名詞的SF權(quán)值由(6)-(7)式計(jì)算，并采用本文提出的SF-G指數(shù)提取特征詞.由(12)式計(jì)算可提取365個(gè)特征詞，其中高頻詞與低頻詞的臨界主體頻數(shù)fSF·P=281.特征詞的分布如表3所示，表中括號(hào)內(nèi)的數(shù)字表示其序號(hào)，詞語(yǔ)下面的數(shù)字為其主體頻數(shù)(fSF·P).

表3 酒店評(píng)論特征詞Table 3 Feature nouns of hotel reviews

4.4 酒店服務(wù)質(zhì)量評(píng)價(jià)指標(biāo)體系構(gòu)建

根據(jù)特征名詞構(gòu)建服務(wù)質(zhì)量評(píng)價(jià)指標(biāo)體系，其中以服務(wù)質(zhì)量為一級(jí)指標(biāo)，所有的特征名詞為三級(jí)指標(biāo)，二級(jí)指標(biāo)通過對(duì)三級(jí)指標(biāo)聚類得到.為了確定最佳的二級(jí)指標(biāo)數(shù)目，采用k-means聚類算法，根據(jù)歐式距離對(duì)特征名詞的詞向量進(jìn)行聚類.不斷調(diào)整聚類簇目K的值，重復(fù)多次實(shí)驗(yàn)，依據(jù)Calinski-Harabaz聚類指標(biāo)和專家決策共同決定最佳聚類簇目數(shù)為K=4，其Calinski-Harabaz值為27.23.由此，根據(jù)特征名詞所屬簇類可設(shè)置4個(gè)二級(jí)指標(biāo)，分別為餐飲服務(wù)，住宿條件，住宿服務(wù)，周圍環(huán)境.每個(gè)二級(jí)指標(biāo)下有若干個(gè)不同的三級(jí)指標(biāo).然后，由(16)-(19)式計(jì)算得到五星級(jí)酒店整體行業(yè)的指標(biāo)評(píng)分.各級(jí)指標(biāo)名稱含義和評(píng)分見表4.

表4 服務(wù)質(zhì)量評(píng)分Table 4 Service quality score

表5給出由本文方法和幾個(gè)傳統(tǒng)方法[17,18,20]得到的酒店評(píng)價(jià)指標(biāo)模型的對(duì)比結(jié)果.其中文獻(xiàn)[17]的數(shù)據(jù)由傳統(tǒng)的問卷調(diào)查得到，并采用三重計(jì)量模型對(duì)評(píng)價(jià)指標(biāo)進(jìn)行人工提取；文獻(xiàn)[18]和文獻(xiàn)[19]分別采用內(nèi)容分析法和變量分析法從網(wǎng)絡(luò)評(píng)論數(shù)據(jù)中人工提取評(píng)價(jià)指標(biāo)；本文則采用人工智能方法通過對(duì)網(wǎng)絡(luò)評(píng)論數(shù)據(jù)的挖掘自動(dòng)提取評(píng)價(jià)指標(biāo).可以看出，服務(wù)評(píng)價(jià)指標(biāo)體系構(gòu)建的數(shù)據(jù)來(lái)源已逐漸從問卷調(diào)查轉(zhuǎn)向網(wǎng)絡(luò)評(píng)論，而傳統(tǒng)方法主要依靠專家經(jīng)驗(yàn)對(duì)指標(biāo)進(jìn)行人工提煉.人工提取的酒店服務(wù)質(zhì)量指標(biāo)主要為酒店的位置、設(shè)施、客房和員工等方面及其總體評(píng)價(jià)，本文提取的評(píng)價(jià)指標(biāo)與之相似.相比之下，本文采用數(shù)據(jù)挖掘方法能夠以較小的人工成本有效地構(gòu)建評(píng)價(jià)指標(biāo)模型.

表5 酒店服務(wù)評(píng)價(jià)指標(biāo)模型Table 5 Hotel service evaluation index model

4.5 酒店服務(wù)質(zhì)量評(píng)分及排名

(29)

第p個(gè)酒店Sp的一級(jí)指標(biāo)T(1)的顧客滿意度排名評(píng)分，即服務(wù)質(zhì)量綜合評(píng)分，換算公式為

(30)

圖3展示了熱度指數(shù)加權(quán)后綜合評(píng)分為前10的酒店評(píng)分排名情況.從圖中可以看出香格里拉大酒店綜合評(píng)分最高，且遠(yuǎn)高于其他酒店；在綜合評(píng)分前十的酒店中香格里拉品牌酒店占據(jù)7席，除此之外只有中國(guó)大飯店、中茵皇冠假日酒店和北京嘉里大酒店三個(gè)酒店排名在前10.

圖3 五星級(jí)酒店評(píng)分排名(綜合排名前10)Fig.3 Five-star hotels rating ranking (overall rank top 10)

表6給出熱度指數(shù)加權(quán)方法對(duì)數(shù)據(jù)不均衡問題的性能分析.以排名第1的香格里拉大酒店和僅包含少量評(píng)論數(shù)據(jù)的1881公館、香港瑰麗酒店和日月行館國(guó)際溫泉觀光酒店為例，對(duì)其各二級(jí)指標(biāo)的熱度指數(shù)加權(quán)評(píng)分和未進(jìn)行熱度指數(shù)加權(quán)的評(píng)分排名進(jìn)行對(duì)比，其中排名后帶有字母(H)的表示熱度指數(shù)加權(quán)后的評(píng)分排名，未帶(H)的表示未進(jìn)行熱度指數(shù)加權(quán)的評(píng)分排名.可以看到，如果不進(jìn)行熱度指數(shù)加權(quán)評(píng)分，僅有少量評(píng)論的酒店其評(píng)分排名都很靠前，若以此作為最終評(píng)分進(jìn)行排名顯然很不合理.評(píng)論數(shù)目的多少可以反映顧客對(duì)酒店的關(guān)注程度，因此將顧客對(duì)酒店的偏好加入評(píng)分計(jì)算更為合理.本文定義的熱度指數(shù)權(quán)值可以通過評(píng)論的數(shù)量來(lái)表示顧客的偏好.表6中1881公館等酒店經(jīng)熱度指數(shù)加權(quán)后的評(píng)分排名明顯低于未經(jīng)熱度指數(shù)加權(quán)的評(píng)分排名，并且香格里拉大酒店的熱度指數(shù)加權(quán)評(píng)分位于第1名，說(shuō)明熱度指數(shù)加權(quán)能夠有效地緩解數(shù)據(jù)不均衡導(dǎo)致的評(píng)分排名計(jì)算偏差和評(píng)價(jià)失真問題.

表6 酒店評(píng)分排名Table 6 Hotel rating

5 結(jié) 論

本文通過主體頻率、主體頻率G指數(shù)和熱度加權(quán)等方法，構(gòu)建的酒店服務(wù)質(zhì)量評(píng)價(jià)指標(biāo)體系，有效緩解了由于數(shù)據(jù)不均衡帶來(lái)的評(píng)價(jià)結(jié)果失真的問題，增加了評(píng)價(jià)結(jié)果的客觀性和評(píng)價(jià)方法的快捷性.將該模型應(yīng)用在中國(guó)五星級(jí)酒店服務(wù)質(zhì)量評(píng)價(jià)上，發(fā)現(xiàn)對(duì)旅客滿意度影響最大的是酒店的餐飲服務(wù)、住宿條件、住宿服務(wù)、周邊環(huán)境等四個(gè)指標(biāo).在計(jì)算酒店的綜合評(píng)分并進(jìn)行排名中發(fā)現(xiàn)排名前10的酒店只有三家不屬于香格里拉品牌，說(shuō)明品牌酒店保證了服務(wù)質(zhì)量水平的一致性.該評(píng)價(jià)模型也可以推廣到其他行業(yè)的服務(wù)質(zhì)量評(píng)價(jià).