基于數(shù)據(jù)挖掘的旅游目的地印象分析和評價研究

摘要：旅游目的地美譽度是旅游企業(yè)和政府部門關(guān)注的熱點。文章數(shù)據(jù)來自“泰迪杯”數(shù)據(jù)挖掘挑戰(zhàn)賽的數(shù)據(jù)集。首先分析景區(qū)及酒店數(shù)據(jù)，得到Top熱詞及頻率。然后根據(jù)LDA主題模型構(gòu)成主題詞典，根據(jù)主題詞對每個景區(qū)酒店進(jìn)行匹配得出概率值，結(jié)合熵權(quán)法計算綜合得分。使用TF-IDF算法分析景區(qū)及酒店網(wǎng)評的有效性，利用K-means算法對景區(qū)及酒店聚類分析，得到高中低不同檔次群，結(jié)合熱詞算法得到每個類別的特征。最后結(jié)論表明影響游客滿意度的因素主要有5個方面，分別是服務(wù)、位置、設(shè)施、衛(wèi)生、性價比，特別是衛(wèi)生環(huán)境影響較大。政府部門和旅游相關(guān)企業(yè)可重點在這5個要素方面下功夫，為游客創(chuàng)造舒適的消費體驗，達(dá)到吸引游客、提升競爭優(yōu)勢的目的。

關(guān)鍵詞：TF-IDF算法；熵權(quán)法；K-Means；旅游目的地；美譽度

中圖分類號：TP311 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2025）05-0054-04 開放科學(xué)（資源服務(wù)） 標(biāo)識碼（OSID） ：

0 引言

旅游業(yè)已成為國民經(jīng)濟的重要支柱，提升旅游目的地形象至關(guān)重要。提升景點、酒店等旅游景點的知名度，已經(jīng)成為當(dāng)?shù)匚穆霉芾聿块T和相關(guān)企業(yè)的重要任務(wù)，關(guān)系到如何穩(wěn)定客流、發(fā)揮同行優(yōu)勢，吸引更多游客進(jìn)行消費。

本文主要研究旅游目的地的景區(qū)及酒店的印象分析和評價，通過對數(shù)據(jù)集中的景區(qū)及酒店網(wǎng)評文本分析，圍繞游客印象因素建立模型，提煉特色并綜合評價景區(qū)和酒店。論文按數(shù)據(jù)預(yù)處理、數(shù)據(jù)分析、建立模型，得出結(jié)論等步驟實現(xiàn)。首先利用Python的數(shù)據(jù)分析函數(shù)和相關(guān)模塊，實現(xiàn)數(shù)據(jù)清洗等預(yù)處理，然后從景區(qū)酒店的評價、網(wǎng)評的有效性、特色分析等方面展開數(shù)據(jù)挖掘研究。分析影響目的地游客滿意度的因素，向相關(guān)部門和公司提出合理化建議，能有效地提高游客滿意度，最終提高目的地的聲譽。

1 算法介紹

1.1 TF-IDF 算法

詞頻是指文本中詞條的頻率。通常來說，某個詞在文檔中出現(xiàn)的詞頻越高，則在文檔中的權(quán)重越高，成為關(guān)鍵詞的可能性越大[1]。逆向文件頻率[2]：對于一個詞，可以用文檔總數(shù)來除以包含這個詞的文檔數(shù)量，將得到的商取得對數(shù)算出IDF。高權(quán)重的TF-IDF 值能剔除常見的詞，保留重要的詞。

1.2 LDA 主題模型

文檔主題生成模型[3]由3層結(jié)構(gòu)組成，包括詞、主題和文檔。通過無監(jiān)督的學(xué)習(xí)方法發(fā)現(xiàn)文本中隱含的主題信息，目的是要以無指導(dǎo)學(xué)習(xí)的方法從文本中發(fā)現(xiàn)隱含的語義維度。它是一種無監(jiān)督的文檔主題生成模型，認(rèn)為一篇文章的每個詞都是通過“以一定概率選擇了某個主題，并從這個主題中以一定概率選擇某個詞語”這樣一個過程，這些主題被集合中的所有文檔所共享，每個文檔有一個特定的主題比例。

1.3 K-means 聚類

K均值聚類也被稱為一種快速聚類算法，它基于最小化誤差函數(shù)將數(shù)據(jù)劃分為預(yù)定類數(shù)數(shù)量k。該算法通俗易懂，易于處理大量數(shù)據(jù)。

K-means[4]的算法步驟為：

1） 從數(shù)據(jù)對象中任意選擇k個對象作為初始聚類中心a = a1，a2，...，ak。

2） 根據(jù)每個聚類對象的均值中心對象，計算每個對象與這些中心對象的距離，并根據(jù)最小距離重新對相應(yīng)對象進(jìn)行劃分。

3） 重新計算每個有變化聚類的均值中心對象。

4） 重復(fù)上面2、3兩步操作，直到每個聚類不再發(fā)生變化為止。

2 數(shù)據(jù)分析及挖掘模型構(gòu)建

2.1 景區(qū)及酒店的印象分析

酒店和景區(qū)各50家，酒店評論共25 226條，景區(qū)評論59 107條。利用Python的pandas庫，Jieba分詞等實現(xiàn)數(shù)據(jù)預(yù)處理。去除重復(fù)評論、英文、數(shù)字及特殊的標(biāo)點符號后，酒店評論有22 789條數(shù)據(jù)，占原數(shù)據(jù)的90.3%，景區(qū)評論有58 411 條數(shù)據(jù)，占原數(shù)據(jù)的98.8%，可以進(jìn)行數(shù)據(jù)挖掘。本文結(jié)合中文停用詞列表和百度停用詞列表，從文本中剔除離、都、很、比較等停用詞。景區(qū)、酒店的評論內(nèi)容用Pandas 中的GroupBy分組函數(shù)進(jìn)行聚合并讀取進(jìn)來，在循環(huán)中進(jìn)行對每一家的評論進(jìn)行分詞、過濾停用詞、寫入列表final，用Counter 將final 轉(zhuǎn)化成詞典，用counts.items（） 進(jìn)行詞頻統(tǒng)計，然后根據(jù)詞頻用sorted（）進(jìn)行降序排序，讀取前20熱詞與熱度，寫入以每家酒店、景區(qū)命名的.csv文件。如圖1和圖2所示。從圖中可以看出，A30景區(qū)評論集中在動物和動物園等詞，H13酒店側(cè)重在服務(wù)和早餐等方面。

2.2 景區(qū)及酒店的綜合評價

本模塊通過評論文本進(jìn)行分詞，利用LDA 主題模型對每個主題的300個主題詞進(jìn)行輸出，提取主題詞。根據(jù)讀取出的單詞來進(jìn)行挑選，將挑選出的詞作為景區(qū)主題的詞典。同理，酒店也可以這樣獲得主題詞典。再借助陳天琪等[5]對景區(qū)評價和繆章偉等[6]對酒店評價主題歸納的結(jié)果，對景區(qū)及酒店評價的相關(guān)主題詞進(jìn)行了擴充和豐富，分別歸納景區(qū)和酒店的評價維度和具體分類下的主題詞。景區(qū)的主題詞典如表1所示。

對景區(qū)酒店各個指標(biāo)進(jìn)行匹配統(tǒng)計，再與總數(shù)相除得出概率值寫入Excel表格。根據(jù)景區(qū)酒店每個指標(biāo)的概率對各個酒店景區(qū)進(jìn)行打分，得分結(jié)果在0～5 之間。通過用熵權(quán)法，對景區(qū)酒店的得分進(jìn)行比值歸一化處理，計算各個指標(biāo)的熵值，計算權(quán)系數(shù)得出酒店景區(qū)的指標(biāo)權(quán)重如表2所示。

因此，可以使用熵權(quán)法計算出的權(quán)值乘以對應(yīng)的指標(biāo)得分計算出綜合得分。計算出的得分結(jié)果保留兩位小數(shù)，部分結(jié)果如表3所示。

2.3 網(wǎng)評的有效性分析

經(jīng)過之前的文本臟數(shù)據(jù)處理，得到了一個較為“干凈”的文本數(shù)據(jù)。文本的有效性[7]是用戶接收評論信息的效率。本文采用sklearn中的TF-IDF算法輔助提取關(guān)鍵詞根據(jù)。需要將文檔進(jìn)行歸并，再利用pan?das實現(xiàn)。然后，通過文本分詞、過濾停用詞，最后利用TF-IDF算法生成一個TF-IDF值得矩陣。 通過每個TF-IDF值來確定每個酒店或景區(qū)評論文本中的關(guān)鍵字。根據(jù)TF-IDF的值來進(jìn)行排序，封裝了一個sort（）排序函數(shù)，返回前30的熱詞，并保存文檔，如圖3所示。根據(jù)漢明距離算兩個文本的相似度，設(shè)定閾值確定是否需要去重。因此可去除文本中的模糊不清、相似的評論。

2.4 景區(qū)及酒店的特色分析

2.4.1 聚類分析模型構(gòu)建

構(gòu)建K-Means聚類分析模型[8-10]，實現(xiàn)細(xì)粒度的酒店及景區(qū)劃分排名，并采用高、中、低3個檔次對它們進(jìn)行分組，以此種方式進(jìn)一步減少游客選擇上的麻煩。

利用sklearn中的函數(shù)完成K-Means的計算。計算的結(jié)果如圖4和圖5所示。景區(qū)的聚類雷達(dá)圖中景區(qū)群1在服務(wù)得分較高，短板在衛(wèi)生。酒店的聚類雷達(dá)圖中酒店群2和群3的得分相對平均，群1的其他得分較低，但性價比優(yōu)勢明顯。

2.4.2 結(jié)果分析

根據(jù)K-Means算法，可以得到3個特征分布清晰的聚類，如表4所示。

景區(qū)群1屬于檔次比較高，通過計算該組是5個，景區(qū)群3屬于中等檔次，有27家，低檔的景區(qū)群2有18家。可以看出景區(qū)中高檔的占據(jù)大多數(shù)。高檔酒店21家，中檔酒店23家，低檔的只有6家，反映出景區(qū)附近酒店的評價整體較高。從每個景區(qū)酒店分出的每個聚類中都選擇1個對象，并結(jié)合關(guān)鍵詞表來代表整個類別的特征項，如表5和表6所示。

分析高層次景區(qū)熱詞表可知，A39景區(qū)以動物園為特色，值得游玩；環(huán)境好，空氣清新；有動物表演，小朋友很開心，適合小朋友游玩。A36景區(qū)以陶藝為特色，帶有歷史風(fēng)貌；可以了解制作、燒制陶瓷的工藝，有明清的陶瓷以及陶瓷博物館。A25景區(qū)以溫泉為特色，環(huán)境舒適；帶有日式服務(wù)，可以吃自助餐。水質(zhì)干凈，水果不錯。

分析高層次酒店熱詞表可知，H04 酒店以親子房、樂園游玩為特色，服務(wù)好；環(huán)境好，有水上親子間，父母可以跟孩子游玩樂園、游泳；設(shè)施好，值得入住。H35酒店以服務(wù)好、環(huán)境好為特色，房間干凈，服務(wù)好；出現(xiàn)事故，能及時溝通，有應(yīng)急處理方式，有維權(quán)。H39酒店以地理位置好、出行方便為特色，服務(wù)好、這家酒店性價比對游客來說適合優(yōu)先考慮；有停車場，有大巴車停靠，靠近機場，四通八達(dá)；提供小吃，衛(wèi)生干凈，靠近步行街可以購物。

3 總結(jié)

隨著網(wǎng)絡(luò)技術(shù)的快速發(fā)展和旅游業(yè)信息的高度密集，在線評論平臺上出現(xiàn)了大量以評論和游記等為形式的非結(jié)構(gòu)化數(shù)據(jù)，傳統(tǒng)的調(diào)研方式已無法滿足如今動輒上萬的數(shù)據(jù)挖掘需求。本文利用LDA模型構(gòu)建主題詞典，TF-IDF算法分析景區(qū)及酒店網(wǎng)評的有效性，最后利用K-means算法對景區(qū)及酒店進(jìn)行特色分析。從結(jié)論中可以看出景區(qū)的特色、服務(wù)更能吸引游客，酒店的地理位置、服務(wù)衛(wèi)生等配套設(shè)施直接影響顧客滿意度。由于本文的數(shù)據(jù)量有限，挖掘分析和評價的準(zhǔn)確度還有待改進(jìn)。本文的研究結(jié)論可為相關(guān)部門和公司提出合理化建議，如旅游目的地的酒店需要重視衛(wèi)生環(huán)境的管理，通過科學(xué)檢測裝備和手段落實管理指標(biāo)。通過對游客群體劃分，制訂符合不同群體需求的消費模式，提升酒店和景區(qū)的盈利同時，還能有效地提高游客滿意度，最終提高目的地的美譽度。

參考文獻(xiàn)：

[1] 常耀成，張宇翔，王紅，等.特征驅(qū)動的關(guān)鍵詞提取算法綜述[J].軟件學(xué)報，2018，29（7）：2046-2070.

[2] YI LIU， BAO JIGANG， ZHU YILING. Exploring emotion meth?ods of tourism destination evaluation： A big-data approach[J].Geographical Research， 2017，36（6）：1091-1105.

[3] AREFIEVA V，EGGER R，YU J.A machine learning approachto cluster destination image on Instagram[J].Tourism Manage?ment，2021，85：104318.

[4] 王千，王成，馮振元，等.K-means聚類算法研究綜述[J].電子設(shè)計工程，2012，20（7）：21-24.

[5] 陳天琪，張建春.基于文本挖掘的景區(qū)旅游形象感知研究：以杭州西溪國家濕地公園為例[J].資源開發(fā)與市場，2021，37（6）：741-746.

[6] 繆章偉.酒店顧客滿意度評價體系研究：基于Tripadvisor.com的杭州高星級酒店評論數(shù)據(jù)[D].杭州：浙江工商大學(xué)，2019.

[7] 尹麗，顏欣，田良.基于網(wǎng)絡(luò)文本分析的旅游目的地形象感知研究：以三亞市為例[J].特區(qū)經(jīng)濟，2019（1）：100-102.

[8] 段銳，鄒統(tǒng)釬，梁未哲.大數(shù)據(jù)環(huán)境下的旅游目的地形象研究綜述：數(shù)據(jù)、方法和技術(shù)[J].旅游導(dǎo)刊，2023，7（5）：66-93.

[9] 顧漸萍，王遠(yuǎn)斌，劉貴文，等.基于文本大數(shù)據(jù)的游客旅游意象感知挖掘研究：以重慶市為例[J].現(xiàn)代城市研究，2019，34（12）：117-125.

[10] IKOTUN A M，EZUGWU A E，ABUALIGAH L，et al.K-meansclustering algorithms：a comprehensive review，variants analy?sis，and advances in the era of big data[J].Information Sciences，2023（622）：178-210.

【通聯(lián)編輯：梁書】

基金項目：基于數(shù)據(jù)挖掘的旅游目的地印象分析（2024YB012）