基于事理圖譜的游記文本知識發現

鄧君　彭珺　孫紹丹　鞠海龍

摘要：[目的/意義]本文利用敘事圖譜化的方式對游記文本信息資源進行有效的知識組織和挖掘，直觀、生動地展示旅游事件知識之間的關聯與結構，為推行旅游用戶需求精準化知識服務提供參考與啟示。[方法/過程]網絡康養游記文本為實驗數據源。采用基于規則模板的順承關系與事件抽取方法，結合基于Doc2vec和K-Means的語義相似度聚類實現事件泛化，最后利用社會網絡工具構建康養旅游事理圖譜對游客行為過程描繪和分析。[結果/結論]通過構建事理圖譜能夠快速揭示康養旅游的熱門目的地、游客行為偏好特征以及趨勢等。根據研究結果為旅游相關機構在康養行程設計上提供4類方案，并在產品開發、服務優化等方面提出了建議。

關鍵詞：游記文本;旅游知識服務;事理圖譜;知識組織;知識發現

DOI：10.3969/j.issn.1008-0821.2022.07.009

〔中圖分類號〕G25073〔文獻標識碼〕A〔文章編號〕1008-0821（2022）07-0105-09

Travelogues Knowledge Discovery Based on Travel ELG

——Take Health Tourism as an ExampleDeng Jun1Peng Jun Sun Shaodan Ju Hailong

（1.School of Business Management，Jilin University，Changchun 130012，China;

2.School of Business，Guilin University of Technology，Guilin 541000，China）

Abstract：[Purpose/Significance]This paper uses the method of narrative mapping to effectively organize and mine the knowledge resources of travelogues，visually and vividly display the association and structure of knowledge of tourism events，and provide reference and inspiration for the implementation of accurate knowledge services for tourism users needs.[Method/Process]Travelogues of health tourism were used as experimental data sources.The sequential relation and event extraction method based on rule template were adopted.Event generalization was realized by semantic similarity clustering based on Doc2vec and K-means.Finally，the social network tool was used to construct the psychological map of health tourism to describe and analyze the behavior process of tourists.[Results/Conclusion]The popular destinations，behavioral preferences and trends of tourists can be quickly revealed by constructing the causal map.According to the results of the study，four kinds of schemes are provided for tourism related institutions in the design of recreational travel，and suggestions are put forward in the aspects of product development and service optimization.

Key words：travelogues;tourism knowledge service;Event Logic Graph（ELG）;knowledge organize;knowledge discovery

隨著互聯網的發展，旅游者越來越傾向在旅游攻略平臺上分享旅行中或旅行后的心得體會，潛在旅游者可以通過瀏覽游記收集需要的信息來規劃行程路線，相關企業機構則通過分析游記更好地獲取游客的個性化需求以優化旅游產品[1]。發掘蘊含在游記文本中的事件和事件之間順承關系信息，可以輔助其他事理關系以及隱性事件知識的發現，從而厘清游客行為及偏好的始末，能為計劃出行者提供更為完整深入的旅游目的地信息推薦，還能讓旅游相關機構更加高效全面地獲知游客的行為潛在偏好及特征等，游記是旅游知識服務中不可或缺的一部分。

事理圖譜是以事件作為基本知識單元、事件及事件之間事理關系和模式為知識組織形式而構成的事理邏輯知識庫，其利用大數據技術和高效易讀的圖譜化形式對謂詞性事件短語及其內外關系進行挖掘和呈現。通過識別和構建事件及事件之間事理關系并可視化的信息處理方法，能有效補充實體和實體之間關系無法表達的動態知識[2]。

作為旅游新業態、新模式的康養旅游，滿足了當前人們對健康、養生的多元化追求，然而當前對于康養旅游產品開發、游客行為特征等的實證研究較少，因此，本文以康養旅游為實驗對象，嘗試采用事理圖譜方法對網絡中的康養游記文本進行知識的挖掘與分析，對文本中的旅游事件和事件之間順承關系進行特征提取，同時結合語義聚類算法、可視化分析工具繪制出具有直觀、動態特性的事理圖譜，以敘述模式更加生動形象地揭示出康養旅游的熱門目的地行程及相應的游客行為偏好演進和趨勢等，為推行康養旅游用戶需求精準化知識服務提供參考與啟示。

1相關研究

11游記文本相關研究

近年來，從網絡游記中獲取旅游行程信息的文獻越來越豐富，研究內容主要聚焦于優化地理信息抽取[3]、旅游信息抽取[4]等技術方法，對目的地特征及旅游實體關系等信息進行識別抽取和排序等，為相關需求者提供參考。

在目的地特征識別和排序方面，Hao Q等[5]提出一種基于位置—主題模型（Location-Topic Model）的目的地特征摘要方法，能夠正確提取和概括旅游目的地信息，為旅游者制定出行計劃提供幫助;Xu H等[6]采用了一種頻繁序列挖掘算法（FSPM），從大量地理詞向量中探索旅游地點的頻繁序列關系并收集每個熱門景區的局部特征，結合相關分析識別出與該景區相關的觀光點，最終得到熱門路線以及各景區對應的熱門觀光點排序;高原等[7]則首先運用基于文本相似度算法自動化識別游記中蘊含地理位置信息的景點，再結合歷史數據統計和景點空間特征模型，實現自動化景點信息識別和行程重構，為個人旅游者高效制定旅游路線提供幫助。

在旅游實體關系挖掘方面，Zhu Z等[8]利用實體信息抽取和語義分析技術分步提取目的地特征概念及其相關性，為每個目的地實體構建一個具有代表性的概念網絡，豐富了目的地的代表信息（例如景點、活動和風俗）;Yuan H等[9]和Guo L等[10]通過將FSPM算法與緊湊模式挖掘算法、詞網絡構建等方法相結合，不但能夠獲得熱門游覽路線和景點排序，還能發現與景點位置相對應的日常旅游活動和旅游服務點。此外，部分學者運用實體信息抽取并結合詞頻統計、共現分析、語義分析和情感分析等方式，不僅可以得到熱門景點排序和相關特征，還能獲知與景點相對應的游客情感[11-12]以及旅游形象感知等[13-14]，為潛在旅游者、旅游相關企業和事業機構提供客觀和便捷的決策依據。

以上面向網絡游記的信息挖掘與分析技術，不但能夠實現行程中地理名稱、景區和服務點位置信息的特征獲取和出現頻率，還能幫助發現與景點相關的活動項目以及游客的情感特征等。然而，這些信息處理技術大多都單純地從旅游文本中的實體信息和關聯或者它們之間的次序關系、語義關系等出發，僅僅通過實體以及實體之間的關系還無法實現對旅游過程中游客行為以及偏好發生、發展的動態過程的呈現與追溯。

12事理圖譜的應用研究

事理圖譜的結構是一個有向有環圖，節點代表事件，有向邊代表事件之間的事理關系，如并列、順承和因果關系等。事理圖譜所展示的是一幅以事件為知識基本單元的一系列事件的動態演進[15]。近年來，學者們大多將其應用在政治與輿情監控領域的事件識別、關系抽取、可視化分析等方面。如單曉紅等[16]通過抽取與政策相關的事件及它們之間的順承和因果關系，構建政策影響事理圖譜，分析政策與利益相關者行為以及市場變化之間的影響關系;白璐等[17]則通過制定一套面向政治領域的事件分類標準對公開域中的政治事件進行識別和關系抽取，構建面向政治領域的事理圖譜。在輿情監控上，如夏立新等[18]利用事理圖譜的事件抽取和表示的特性，對網絡輿情事件進行多維特征可視化摘要生成;田依林等[19]以新冠肺炎微博輿情為例，提取相關事件及因果和順承的關系，構建網絡輿情事理圖譜，并對生成的輿情演化路徑進行分析。

綜上，事理圖譜在旅游信息服務中的應用相當有限。事理圖譜的主要作用是挖掘并呈現事件以及事件之間事理關系，實現對事件及其起源與演進全過程的動態描繪與總結，可見，事理圖譜方法正好契合本文對旅游行程和游客行為偏好過程的研究需要。

2研究設計

游記文本中行程事理圖譜構建與知識發現共分為文本采集和預處理、順承關系和事件識別與抽取、事件泛化以及圖譜構建和可視化分析4個流程，如圖1所示。圖1行程事理圖譜構建與知識發現流程

21文本采集和預處理

本文采用網絡爬蟲程序收集互聯網中的游記文本數據。首先對數據進行清洗、去重、去雜，去停用詞處理則根據哈工大停用詞表對文本數據中的助詞、語氣詞等進行過濾。利用Jieba分詞對目標文本進行分詞分句、長短句切分等，并調用哈工大LTP工具對文本進行詞性標注和依存句法分析等。

22順承關系識別和事件抽取

事件及事件之間的順承關系是指一件事與另一件或多件事在發生的時間上具有先后順序。本文運用基于句法模式和規則的人工定義模板匹配與依存句法工具相結合的順承關系和事件多元組抽取方法，可簡單有效地實現中文文本中關系和事件的共同提取。首先，借鑒Liu H Y[20]的思路，參考中文文本中句法模式的組成方式選取固定的順序關系連接詞，如：（其次|然后|接著|隨后|接下來|…）等，根據連接詞構造模板并生成匹配規則。以等標點符號為分隔標記，對目標文本進行長句切分，對切分后的長句依次以“”等標點以及“和與及且跟并”等詞為分隔標記進行子句切分;其次，利用構造好的模板對切分好的長句進行順承關系識別匹配，同時將一個長句中的子句進行分解和詞性標注，提取出vob謂詞性結構的短語作為結構化的事件表示;最后，所有順承關系和表示事件的短語依次向上匯集，得到一個文本集data={[‘id’]，[‘events’]}，[‘id’]為標簽集合，[‘events’]為包含順承關系的鏈式事件短語集合，一個id對應一個順承關系事件鏈。

23事件泛化

考慮得到的文本集中隱含著具有相似主題關系的順承關系事件鏈，通過對事件泛化處理，可以突出重點，便于挖掘隱性事件知識。本文采用Doc2vec模型和K-Means算法的語義相似度聚類方法實現事件泛化，對文檔集data生成句向量表示并聚類。第一步，先將事件集data中的id和events看成一個paragraph即句子的合集，再利用Doc2vec句向量模型分別映射生成paragraph vector和word vector向量表示Xp={xp，xp，…，xp}，Xw={xw，xw，…，xw}。paragraph vector和word vector雖然維數相同，但來自兩個不同的向量空間，在訓練過程中，paragraph id保持不變，共享著同一個paragraph vector，每個句子都有一個唯一的id，相當于為每一個word的預測同時都考慮到了主旨，這樣一來，在進行文本相似度計算的時候就利用了整個句子的語義。第二步，從事件集data中隨機選擇k個句子樣本作為初始質心向量，可通過輪廓系數法選擇一個合適的k值。計算所有的句子到所有的質心的距離，即語義相似度，最大迭代次數N，直到所有的k個質心向量都沒有發生變化則輸出簇劃分完成聚類。

24圖譜構建與可視化分析

順承事件鏈經過泛化后采用Gephi社會網絡工具構建可視化的事理圖譜。圖譜中包含以節點代表的目的地和單個事件，每兩個節點之間存在的單向邊代表順承關系，如：id→node1→node2→node3→node4→node5，id代表目的地，節點1是節點2之前發生的事件，節點3是節點2之后發生的事件。以此形成的順承關系事件鏈，可將游客的旅游行程路線及對應發生的行為用可視化方式表示出來以進行下一步的分析。

3實驗過程

31實驗數據選擇

在充分考慮數據的全面性、適用性以及可獲得性等因素，決定選用攜程網、驢媽媽和馬蜂窩網中的網絡游記作為來源數據。檢索策略是在各網站“攻略”二級類目下輸入“康養旅游”“養生旅游”“健康旅游”等關鍵詞搜索游記標題，時間設置為不限。利用Web爬蟲采集每篇游記的目的地和正文，從網頁中獲取的游記數量分別為攜程網5 059篇、驢媽媽520篇和馬蜂窩網1 135篇，進行數據清洗后共得到6 520篇。將所有游記文本建立成CSV格式的數據集content={[‘city’]，[‘blogs’]}。

32康養行程事理圖譜構建

根據22章節中提到的抽取方法分別獲得順承事件鏈events 4 057條，共涉及目的地id 337個，抽取結果示例如表1所示。

由于每個地名與順承事件鏈是一一對應的，同一地名中可包含多條事件鏈，并且這些事件鏈的內容具有較大相似性，根據23章節中的事件泛化方法，把含有相似主旨的事件鏈聚成一類。以表1中的事件鏈為例，首先將這9條{[‘id’]，[‘events’]}共同生成句向量，經過語義相似度計算后，隱含著相似主題的事件鏈被聚成一個簇類，表示為：

0[阿壩，保定];1[日本，衡山];2[北海，安徽，北京];3[百色;埃及]

其中隱含主旨分別為：放松身心→去目的地;到戶外→看夜景;景區游玩→品嘗食物;參觀歷史古跡→游河。

以此類推，結果共生成12個聚類的簇。將經過泛化的結果導入Gephi“鄰接名單”建立有序的鏈式分配有向圖，構建康養旅游行程事理圖譜，其中包含34 798個節點和43 675條有向邊。

33結果分析

331熱門行程發現

旅游的熱門行程是指那些旅游者高度關注、影響力大并很受歡迎的游覽行程，一般表現為與行程相關的地名與事件大量涌現，反映行程的內容反復出現。在游記文本中，出現頻次高的地名往往可以作為熱門行程的目的地;高發的事件鏈是對游客行為的高度概括和凝練，是康養行程的核心與精髓所在。利用Gephi從康養行程事理圖譜中篩選出頻次大于25的高頻地名進行觀察，如圖2所示。從圖2中可以看到，廈門和三亞的出現頻次最高，說明這兩個地方是目前游客前往最多、最為熱門的康養行程目的地;其他頻次較高的地名還包括上海、廣州、重慶和北京等。通過對這些高頻目的地的觀察可以發現，康養游客的行程大多聚集于長江以南地帶，西南以及沿海城市是游客較為熱衷的行程目的地。

通過分析廈門和三亞兩地中的關鍵事件鏈，可以探知康養熱門目的地中的游客偏好與具體過程。運用過濾工具從圖譜中找出“廈門”和“三亞”以及對應的所有順承事件鏈，選擇在一定閾值范圍內的高概率節點所構成的關鍵事件鏈，如圖3、圖4所示。

圖3所展示的是廈門康養行程關鍵事件鏈，其中最大的幾個節點主要包括吃牛肉面、去鼓浪嶼、去南普陀等，通過觀察這些高發事件節點之間的順承關系可以發現，前往廈門的康養游客行為偏好主要可分成兩類：第一類是以鼓浪嶼為中心的行程，前往鼓浪嶼后可以去吹海風、聽濤聲;或者去菜市場買海鮮和吃海鮮;還可以先去住酒店，再喝特色奶茶、吃烤魷魚等，接著去參觀鐘樓、鋼琴博物館等。第二類是以吃牛肉為目的的行程，包括可以先去南普陀吃牛肉面、嘗小吃，再帶鹵味;還有是去吃牛肉火鍋，再喝黏米酒等。

在圖4三亞康養行程事件鏈中，游客最為熱門的偏好是吃海鮮，可分成兩條線路：一條是先去三亞灣放松身心，然后去春園海鮮市場買海鮮和吃海鮮;另一條是先去吃海鮮，接著買水果，然后再乘車去亞龍灣、海灘和森林公園享受下午茶。其中，在吃海鮮的同時可以選擇露天的餐廳用餐、吹海風，或者選擇室內餐廳吃炒菜以及充滿詩情畫意的采菊火鍋。此外，從圖中還可以看到，前往三亞的康養游客還熱衷于前往位于三亞南端的南山景區參觀和體驗南山文化場景。

332游客行為特征發現

單個地對熱門行程進行分析，還無法獲知康養游客的行為特點。在經過泛化處理后的康養行程事理圖譜中，具有相似主旨的事件鏈被聚為一類，通過對每一類中的關鍵事件鏈的分析，可以實現對康養游客行為特征的發現。運用Gephi對圖譜中各節點進行概率計算，再過濾去除平均度低的節點，如圖5所示，在圖5的12個聚類簇中，同一類簇中的事件鏈主題相同，其中節點顏色的深淺代表了節點重要性的高低，以重要性最高的事件節點為切入點，再通過重要事件節點之間的順承關系即可發現該類型行程的關鍵事件鏈。通過觀察，共找到關鍵事件鏈38條和相關目的地31個，如表2所示。

在表2中，以安徽、銅川等為康養目的地的游客（類號1和2），主要表現為兩類行為偏好過程，即“登山→賞景”和“登山→探洞→求仙問道”相結合的康養體驗，游客們熱衷于前往靈山圣地以達到修養身心的養生體驗，可以坐纜車或行走于棧道上觀賞怡人風景，感受人與自然的和諧，再到仙洞、仙頂等體會修道成仙的養生樂趣等。以北京、咸寧等為康養目的地的游客（類號3和4），以“尋古跡/游古鎮→感受人文歷史”是最為突出的偏好，游客前往具有歷史文化的建筑、古鎮等，去觀賞人文風光，感受特色習俗，還會選擇如博物館等地方聆聽歷史感受情懷等。以廣州、武漢等為康養目的地的游客熱門行為是圍繞著住酒店開展的（類號5～7），主要方式可分為兩類：第一類是以酒店為出發點，先入住酒店，接著游覽周邊的景點感受輕松自在的生活方式;第二類方式是以酒店為歸屬點，游客熱衷于先到景區或目的地，再回到酒店用餐或者體驗休閑時光，如喝咖啡、喝花茶等。以上海、麗江和三亞等為康養目的地的游客（類號8～10），“享受美食→游覽風景區”是他們共同的偏好，但各有偏重，比如有的游客偏好于選擇有地方特色的食物，比如三亞吃海鮮、西安吃羊肉等，游客還注重于特色的吃法，比如在成都吃魚蘸料沒有腥味、廈門的燒仙草添加燕麥等。在以昆明、杭州等為康養目的地的游客中（類號11～12），“泡溫泉→調養生息/品嘗美食”是他們最主要的行為偏好，游客首先選擇風景優美的溫泉景區，通過泡溫泉來滋潤身心、沐浴養生，接著欣賞風景、呼吸氧吧，或者去品嘗美食，感受風情。

綜上，可根據康養游客的行為歸納出幾個特征：第一，從目的地選擇上來看，游客熱衷于選擇沿海地區作為康養行程地，此外，具有歷史悠久、富含民族特色文化的西南部地區，也是游客偏好的康養勝地。第二，康養行程的主題并不是單一的，而是多種方式的融合演進。比如，登山的行為應該是運動養生的一種方式，但不少游客是以求仙問道的宗教文化養生為最終的目的;以吃為主的飲食養生方式往往與泡溫泉、看風景等生態養生方式前后開展;住酒店與休閑相結合的酒店養生方式也是游客熱衷的體驗過程。第三，遠離喧囂、探尋返璞歸真的生活態度以及能夠舒適愜意地飲食、游玩等是康養游客共同的特點

333康養旅游趨勢發現

康養旅游業持續健康發展的關鍵在于相關從業者需要針對市場需求而不斷創新產品和升級服務模式，旅游消費者偏好便是影響市場需求的一個重要因素。由于游客的偏好并不是固定不變的，所以對其過程核心環節的發現，有利于完整和全面地探測游客的潛在偏好，為相關機構優化康養旅游產品與服務提供啟示。利用Gephi軟件中的k-Core子圖挖掘算法能夠實現康養旅游事理圖譜中核心關系的發現。該算法通常指定一個k核心度，通過去除圖中不符合核心度的頂點，得到在圖中承擔著核心地位的子圖，子圖中每個頂點至少具有k的度數，且所有頂點都至少與該子圖中的k個其他節點相連。核心節點不僅僅是度數的高低，更依靠的是該節點在整個圖中的重要性和傳播能力[21]，因此能夠直觀追溯康養游客潛在偏好和趨勢，如圖6所示。

圖6中可首先看到核心圖譜中的目的地包括三亞、廈門和杭州，表明除了三亞和廈門兩個熱門康養目的地之外，杭州是潛在的熱門目的地。

在圖中平均度最大的核心事件節點是欣賞風景，通過節點之間的有序有向關系，可以從圖中找出在其之前緊密相連的順序事件包括的泡溫泉、坐車、吃午飯、喝茶以及品嘗美食，同理可找到在其之后聯系最為緊密事件是去博物館、感受文化和拍照片;其中還存在較遠的順序事件有吃東西、帶孩子和住酒店等。經過對核心事件之間關系的綜合觀察，可將核心行程的環節總結為：游客傾向于選擇風景秀麗的南方近海、沿江城市作為康養行程的目的地，將自然環境與文化陶冶相結合是游客追求的養生方式。游客青睞慢節奏的頤養過程，到達景區后先進行一段時間的休閑娛樂活動休息放松，如去泡溫泉、喝茶和吃美食等，之后才前往景區的名景、名山等景點進行登山、賞景等游玩活動，最終以參觀富有人文和歷史的古跡了解與感受養生文化結束行程。與此同時還可以看到，游客對行程中住宿的需求特別突出，與住酒店相關的順序事件穿插于各個環節之中，而目的卻不盡相同，如有的游客為了能夠放松身心、有的游客考慮帶小孩方便，還有的游客關注酒店提供的飲食方面等，說明游客越來越注重對康養細節的體驗，高品質的酒店服務是游客趨向的核心內容之一。

4討論分析

由上述對康養游記文本的知識發現的一系列結果，可為康養旅游信息需求用戶提供建議和啟示。康養行程設計上可分為4個主題行程：

第一，以運動、自然與人文養生相結合為主題的康養行程，行程設計可包括：登山→體驗養生歷史→宗教養生，目的地可選擇北京、咸寧等的歷史傳統養生文化游;賀州、麗江等省內的少數民族聚集地景區中具有民族特色的養生文化游以及以銅川、天柱山為代表的宗教養生游等。

第二，以溫泉養生為目的的生態主題游。旅游行程主要為：賞景→泡溫泉→特色餐飲。推薦目的地比如惠州、昆明和騰沖等森林溫泉和露天溫泉等特色項目，既能欣賞風景，還能在泡完溫泉后品嘗地方特色美食。

第三，以飲食養生為主題游項目。行程如到三亞、廈門等沿海地帶品嘗頗具海港風情風味的美食，還有尋味廣州、順德等地的粵式餐飲，上海、杭州、南京等地的蘇杭菜式，以及重慶、成都等地的川式辣味等。

第四，以酒店康養為行程的休閑主題游，特色內容可包括：住度假酒店→體驗休閑項目→下午茶，代表目的地有麗江、長沙、珠海等，對休閑娛樂項目的體驗以及觀海、看日出、賞花等自然風光的游覽等，娛樂過后可返回酒店享受精致下午茶等。

在產品和服務升級上，可先把文化養生與生態養生相互融合作為未來發展的主題，在依托旅游地優美的自然風光的基礎上，深度挖掘養生歷史、地方特色或宗教養生文化等，讓傳統文化與良好的生態環境相結合，滿足康養旅游者對觀光、養生和求知的共同需求。其次，養生酒店的產品開發和服務提升應作為發展的主線，為了提升景區游客感知，應將溫泉康養和飲食康養貫穿其中;酒店選址和定位方面可選擇位置毗鄰景區，房間設計上以自然主題為佳，突出景區特點;還可劃分區域，設立功能型康養屋，配備不同的設施，如溫泉療養屋、生態或者特色飲食療養屋等。

5結語

本文借助事理圖譜理論與技術，以康養游記文本為實驗數據展開研究。首先找出了康養旅游的熱門目的地、熱門游客行為過程，實現了與行程相對應的游客行為特征及偏好和趨勢的發掘。結果表明，運用事理圖譜可直觀、較全面地描述旅游中的事件及事件之間的順承關系，有利于揭示康養旅行的熱門行程路線以及行程相對應的游客行為的起源、發生以及發展趨勢，符合對康養旅游及其特殊性方面的探索需求，為旅游相關機構提供決策依據。本文也存在不足之處，如只選擇了“康養旅游”進行分析，由于與其他旅游相比特殊性較多，實驗結果可能會有所不同。另外，本文未能按照將關鍵順序事件與其發生的具體景點以及體驗感知結合起來等問題都是今后研究的方向。

參考文獻

[1]吳恒，陳燕翎.基于UGC文本挖掘的游客目的地選擇信息研究——以攜程蜜月游記為例[J].情報科學，2017，35（1）：101-105.

[2]趙軍.知識圖譜[M].北京：高等教育出版社，2018：138-140.

[3]Shi G，Barker K.Extraction of Geospatial Information on the Webfor GIS Applications[C]//IEEE International Conference on Cognitive Informatics and Cognitive Computing 2011，IEEE，2011：41-48

[4]Fujii K，Nanba H，Takezawa T，et al.Enriching Travel Guidebooks with Travel Blog Entries and Archives of Answered Questions[M].Information and Communication Technologies in Tourism 2016.Springer，Cham，2016：157-171.

[5]Hao Q，Cai R，Wang C，et al.Equip Tourists with Knowledge Mined from Travelogues[C]//Proceedings of the 19th International Conference on World Wide Web，2010：401-410.

[6]Xu H，Yuan H，Ma B，et al.Where to Go and What to Play：Towards Summarizing Popular Information from Massive Tourism Blogs[J].Journal of Information Science，2015，41（6）：830-854.

[7]高原，施元磊，張蕾，等.基于游記文本的游客游覽行程重構[J].數據分析與知識發現，2020，4（Z1）：165-172.

[8]Zhu Z，Shou L，Chen K.Get Into the Spirit of a Location By Mining User-generated Travelogues[J].Neurocomputing，2016，204：61-69.

[9]Yuan H，Xu H，Qian Y，et al.Make Your Travel Smarter：Summarizing Urban Tourism Information from Massive Blog Data[J].International Journal of Information Management，2016，36（6）：1306-1319.

[10]Guo L，Li Z，Sun W.Understanding Travel Destinations from Structured Tourism Blogs[C]//Proceedings of 2015 Wuhan International Conference on e-Business，2015：144-151.

[11]王昕天，汪雷.基于文本挖掘的在線旅游熱詞情報分析——以攜程網為例[J].情報理論與實踐，2017，40（11）：105-109.

[12]呂琳露，李亞婷.游記文本中的知識發現與聚合——以螞蜂窩旅行網杭州游記為例[J].情報雜志，2017，36（7）：110，176-181.

[13]瞿華，梁燕坤.基于網絡游記的廣州旅游目的地形象感知研究[J].廣東社會科學，2017，（6）：202-209.

[14]張瑛，史凱靜，劉建峰.基于網絡游記的大運河文化遺產游客感知研究[J].地域研究與開發，2020，39（4）：79-85.

[15]Ding X，Li Z，Liu T，et al.ELG：An Event Logic Graph[EB/OL].https：//arxiv.org/abs/1907.08015，2019-08-07.

[16]單曉紅，龐世紅，劉曉燕，等.基于事理圖譜的網絡輿情事件預測方法研究[J].情報理論與實踐，2020，43（10）：165-170，156.

[17]白璐，周子雅，李斌陽，等.面向政治領域的事理圖譜構建[J].中文信息學報，2021，35（4）：66-74，82.

[18]夏立新，陳健瑤，余華娟.基于事理圖譜的多維特征網絡輿情事件可視化摘要生成研究[J].情報理論與實踐，2020，43（10）：157-164.

[19]田依林，李星.基于事理圖譜的新冠肺炎疫情網絡輿情演化路徑分析[J].情報理論與實踐，2021，44（3）：76-83.

[20]Liu H Y.Causality Event Extraction[EB/OL].https：//github.com/liuhuanyong/CausalityEventExtraction，2020-12-15.

[21]肖明.圖書館學情報學知識圖譜研究理論、方法與應用[M].北京：中國書籍出版社，2017：154-155.

（責任編輯：郭沫含）