基于BERT-BiLSTM-Attention的景區評論情感分析研究

摘要：在旅游經濟時代下，游客更加關注旅游體驗，如何準確挖掘游客的情感和觀點成為研究熱點。然而，傳統的景區評論情感分析模型中，情感特征提取不全面，且評論主題挖掘不充分。文章以龍門石窟景點評論為對象，構建基于BERT-BiLSTM-Attention模型的情感分析模型，并利用LDA模型挖掘評論主題。實驗表明模型的有效性，并將結果進行可視化呈現，為景區優質服務和決策提供數據支持和理論支撐。

關鍵詞：景區評論；情感分析；BERT；BiLSTM

中圖分類號：TP391" " " 文獻標識碼：A

文章編號：1009-3044（2025）18-0116-03

開放科學（資源服務） 標識碼（OSID）

0 引言

隨著國民生活品質的穩步提升，旅游逐漸成為人們日常生活中重要的娛樂方式。隨著社交網站的蓬勃發展，越來越多的游客傾向于在攜程旅行等旅游網站上查詢景點信息、規劃旅游路線，并發表景點評價和分享旅游體驗。因此，如何準確挖掘游客的情感，輔助游客的旅游決策和管理者改進服務，成為重要的研究話題[1]。

近年來，國內外學者十分關注游客體驗研究，并取得了初步進展。郭栩東等[2]利用ROST CM6和情感詞典對肇慶市七星巖景區的游客評論進行情感分析。賈博婷等[3]利用SnowNLP對長白山評論進行情感分析，并基于LDA模型挖掘游客的主題。楊鑫等[4]通過情感詞典與SnowNLP對河南熱門景點進行游客細粒度情感分析，同時結合LDA模型分析了游客評論中的主題。楊秀璋等[5]提出一種融合領域詞典的LDA模型對貴州景點進行主題挖掘。陳玉姣等[6]提出一種融合注意力機制和BiLSTM的旅游評論情感分析模型。蔡汶興等[7]提出基于BERT模型對拙政園評論進行情感分析，同時對負面評論建立社會網絡和語義網絡。

然而，國內對石窟寺旅游體驗的情感分析仍不足，現有研究對評論細粒度情感特征與主題挖掘關注有限。石窟寺在我國分布廣泛且規模龐大，是我國文化遺產的重要組成部分。龍門石窟位居中國各大石窟之首，是全國首批5A級旅游景區，也是世界上造像最多、規模最大的石刻藝術寶庫，被聯合國教科文組織評為“中國石刻藝術的最高峰”。作為典型的石窟寺景區，如何提高游客體驗已成為龍門石窟景區發展的重要一環[8]。劉燕楠[9]使用Selenium爬取云岡石窟評論，并利用SnowNLP進行情感分析。邱亞鵬等[10]利用ROST CM6對龍門石窟評論進行情感分析和社交網絡分析。然而，上述相關工作[9-10]采用SnowNLP和ROST CM6進行淺層分析，尚未進行深層次特征挖掘，且缺乏對評論情感主題的深入挖掘。故本文爬取龍門石窟景點評論，預處理后進行情感分類，并進一步挖掘主題，得出研究建議。

本文以龍門石窟景區為研究對象，首先利用爬蟲采集知名旅游網站上的景區評論，并對數據進行數據清洗、中文分析和去停用詞等預處理操作；其次，構建BERT-LSTM-Attention模型對評論數據進行有效情感分析；最后，運用關鍵詞分析和LDA主題分析進一步挖掘評論的主題，得出相關的結論和建議。研究框架如圖1所示。研究結果可為景區管理者提供多維度的信息支撐，有助于優化景區服務質量并提升游客滿意度。

1 數據采集與預處理

本文選取攜程網和同程旅行作為數據來源，使用requests庫采集旅游網站關于龍門石窟景區的游客評論，經過去重操作后，共獲得評論數據10 571條，其中攜程網8 374條，時間范圍為2016年3月至2025年4月，同程旅行2 197條，時間范圍為2014年9月至2025年4月。

為保證數據質量，首先將繁體評論轉為簡體，去除景點無關和長度過短的評論，移除標點符號和特殊符號；然后，結合自定義詞典進行jieba分詞，利用哈工大停用詞表去除停用詞；最后，將評論數據的評分轉換為情感分類標簽。將攜程網中評分≥4的評論數據標記為正面，評分≤3的評論數據標記為負面，將同程網中的好評數據標記為正面，中評數據和差評數據標記為負面。經過數據預處理后，最終共得到有效評論9 939條。

2 情感分析

2.1 模型構建

本文提出情感分析模型BERT-BiLSTM-Attention，利用BERT預訓練模型獲取文本的向量表示，再使用雙向長短時記憶網絡BiLSTM結合注意力機制進行特征提取，最后將特征向量輸入全連接層，通過Softmax分類進行情感分析。該模型綜合了BERT的上下文語義捕捉能力、BiLSTM的雙向序列學習能力與注意力機制的重點捕捉特征，提升了情感分析效果。模型結構如圖2所示。

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

然后，使用BiLSTM對文本向量進行深度特征提取。BiLSTM由前向和后向兩個方向相反的LSTM組成，分別學習文本的上文表示和下文表示，并將上文表示和下文表示進行拼接得到輸出。計算公式如下：

[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時刻前向隱狀態表示和后向隱狀態表示，[ht]和[ht]分別表示t時刻前向LSTM和后向LSTM的輸出狀態表示，[Wt]和[Vt]表示權重矩陣，[bt]表示偏置向量。

為突出評論文本的情感信息，將BiLSTM模型的輸出輸入注意力機制，使模型關注重要信息，忽略不重要信息，進一步提高情感分析的準確率。為BiLSTM的輸出[ht]分配權重矩陣[Wa]和偏置向量[ba]，得到注意力權重[uit]：

[uit=tanh（Waht+ba）]" " " " " （4）

通過Softmax函數對[uit]進行歸一化，得到注意力得分[ait]：

[ait=softmax（uit）]" " " " "（5）

然后將[ht]和[ait]加權求和，得到情感突出的特征表示[st]：

[st=i=1Taitht]" " " " "（6）

通過Softmax函數得到情感極性[y]的預測結果：

[y=softmax（Wsst+bs）]" " " " （7）

式中：[st]表示特征向量，[Ws]表示權重矩陣，[bs]表示偏置向量。

2.2 參數設置

為提高訓練效率，同時避免過擬合，本文將訓練次數（epoch） 設置為20次，學習率（learning_rate） 為0.000 02，dropout為0.3，批大?。╞atch_size） 為32，序列最大長度（max_length） 為128，隱藏層尺寸（hidden_size） 為128，具體參數如表1所示。

2.3 評價指標

為評估模型的綜合性能，本文選取準確率（Accuracy） 、精確率（Precision） 、 召回率（Recall） 和F1值（F1_score） 作為評價指標。準確率是評估模型在所有樣本中預測正確的比例，衡量模型的整體分類能力，是最常用的評估指標。精確率是評估模型預測為正類別的樣本中實際為正類別的比例，關注模型在正類別預測中的準確性。召回率（又稱查全率） 是評估實際為正類別中模型預測為正類別的比例。F1值是精確率與召回率的調和平均數，綜合考慮精確率和召回率來評估模型性能。

具體計算公式如下：

[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） 表示模型正確預測正類別的樣本數量；TN（True Negatives） 表示模型正確預測負類別的樣本數量；FP（False Positive） 表示模型錯誤將負類別預測為正類別的樣本數量；FN（False Negatives） 表示模型錯誤將正類別預測為負類別的樣本數量。

2.4 實驗結果分析

為全面驗證模型的性能，本研究選擇將傳統機器學習模型（SVM、NB、KNN） 與深度學習模型（LSTM、BiLSTM、BERT等） 進行對比實驗，情感分析結果如表2所示。

由表2可知，BERT-BiLSTM-Attention在各個指標上均超過了其他模型，準確率達到0.928，精確率達到0.924，召回率達到0.926，F1值達到0.925，表明本文提出的模型在景區評論情感分析上展現出較好的性能，驗證了模型的有效性。與基礎BERT相比，本文提出模型準確率提升了4.98%，精確率提升了4.88%，召回率提升了4.99%，F1值提升了4.88%，說明Attention機制在評論情感特征提取方面有效提升了模型表現。

3 主題挖掘

3.1 關鍵詞提取

基于TF-IDF對消極評論提取前20個關鍵詞，結果如表3所示，提取前5 000個關鍵詞后，并使用WordCloud生成詞云圖，結果如圖3所示。由表3和圖3可看出，“講解”“導游”出現的頻率較高，反映游客對景區講解質量或導游服務的不滿；“佛像”“大佛”“盧舍那”表明大佛破壞嚴重，游客在景區體驗未達到預期；“很多”“人很多”“電瓶車”“停車場”等表明游客在游客疏散和交通管理等方面存在不滿。

3.2 主題分析

本文通過LDA模型對消極評論進行主題分析，迭代次數設置為200，選用困惑度較低且一致性較高的主題值作為主題數候選，結合PyLDAvis可視化效果，確定消極評論的最佳主題數為3，提取每個主題的前10個特征詞，主題分析結果如表4所示。

由表4可知，景區消極評論的主題體現在交通環境、大佛破壞和服務管理三個方面。交通環境包含“沒有”“電瓶車”“西山”“停車場”“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；服務管理包含“講解”“導游”“人太多”“門票”“取票”等主要特征詞。

通過對龍門石窟景區消極情感的主題挖掘研究，建議景區管理者結合交通環境、大佛破壞、服務管理等問題進行改善。在節假日限流方面，可借鑒故宮博物院實施的預約系統策略，提高游客分流效果；在講解服務方面，可提供AR增強現實和知識圖譜導覽，打造沉浸式服務。

4 結論

針對當前旅游分析模型沒有充分挖掘情感特征的問題，本文以龍門石窟景區評論為研究對象展開深入研究。本文使用網絡爬蟲獲取旅游網站的評論數據并進行預處理，構建BERT-BiLSTM-Attention模型進行情感分析，性能最優。然后對消極評論進行關鍵詞提取及主題挖掘，并對景區存在的問題提供建設性建議。下一步，本研究將嘗試融合多模態數據，以深入挖掘旅游評論背后的意圖、態度和需求，為更全面的景區決策提供參考。

參考文獻：

[1] 王新宇.基于情感分析技術的景區游客網絡評價研究[J].科技風，2024，26：154-156.

[2] 郭栩東，胡綠，李茂強，王怡.在線評論數據挖掘視角下游客情感分析模式構建：以肇慶市七星巖景區為調研對象[J].科技創新與應用，2024，14（13）：9-13.

[3] 賈博婷，馬鋮.基于情感分析的旅游體驗研究：以長白山風景區為例[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評論主題挖掘[J].圖書情報導刊，2020，5（8）：59-65.

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

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

[7] 蔡汶興，李興東.基于BERT模型的景區評論情感分析[J].貴州大學學報（自然科學版），2021，38（2）：57-60.

[8] 徐子涵，肖雨馨.龍門石窟數字化保護現狀與實踐路徑研究[J].貴州大學學報（藝術版），2024，38（6）：78-89.

[9] 劉燕楠.基于爬蟲技術對云岡石窟景區評論的情感分析與可視化展示[J].電腦知識與技術，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的游客情感分析：以洛陽龍門石窟為例[J].河南大學學報（自然科學版），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.

【通聯編輯：謝媛媛】