孫長(zhǎng)偉 任宗來(lái) 楊俊杰 龐坤亮

(國(guó)網(wǎng)中興有限公司 北京 100083)

0 引 言

目前，在電商服務(wù)網(wǎng)站上存在大量客戶生成的數(shù)據(jù)，主要是評(píng)論數(shù)據(jù)，這些用戶生成的評(píng)論數(shù)據(jù)已經(jīng)成為消費(fèi)者對(duì)商家的服務(wù)和商品進(jìn)行隱式反饋的主要形式。針對(duì)商品的評(píng)論數(shù)據(jù)，不僅能幫助潛在消費(fèi)者進(jìn)行購(gòu)買分析，還能幫助商家分析其提供的商品和服務(wù)的優(yōu)缺點(diǎn)，進(jìn)行優(yōu)化決策，以便進(jìn)一步提高其產(chǎn)品或服務(wù)的質(zhì)量。在這方面，已經(jīng)有大量研究得出結(jié)論：在線評(píng)論數(shù)據(jù)能顯著地決定商品的銷售情況和用戶的購(gòu)買意愿[1-2]。例如：研究表明網(wǎng)上關(guān)于書籍的評(píng)論能夠?qū)匿N售情況產(chǎn)生較大影響。在線評(píng)論具有多種形式，不僅有如“投票數(shù)量”、“打分”和“用戶參與評(píng)論的數(shù)量”等數(shù)值屬性[3-4]，還有如“用戶可讀程度”和“文字量”等文本屬性[5]，所有這些影響因子都有可能影響用戶的購(gòu)買決策。目前，研究人員都較多地關(guān)注在如何更好地利用在線評(píng)論的數(shù)值評(píng)分[6-7]，而研究如何更好地利用評(píng)論文本內(nèi)容的工作相對(duì)較少[8-9]。

酒店作為一種特殊的商品，更多的是一種服務(wù)，可以通過(guò)問(wèn)卷調(diào)查來(lái)獲取用戶的體驗(yàn)反饋。與傳統(tǒng)商品不同的是，傳統(tǒng)商品壞了可以有售后或維修服務(wù)，商家也能及時(shí)獲得產(chǎn)品優(yōu)缺點(diǎn)的反饋。然而，酒店這種特殊商品其獲得用戶反饋特別困難，周期特別長(zhǎng)。幸運(yùn)的是，由于電子商務(wù)的發(fā)展，目前絕大多數(shù)的酒店都已經(jīng)上線，且具有大量的用戶評(píng)論，依據(jù)這些評(píng)論，可以及時(shí)地對(duì)酒店服務(wù)進(jìn)行分析，這有利于用戶決策和幫助酒店及時(shí)提升自身服務(wù)質(zhì)量。目前，已經(jīng)有部分研究開始通過(guò)酒店評(píng)論數(shù)據(jù)去評(píng)價(jià)酒店服務(wù)質(zhì)量，但已有工作粒度較粗，很難分析出酒店的細(xì)分服務(wù)質(zhì)量好與不好。

本文將通過(guò)細(xì)粒度的情感分析方法，對(duì)酒店的各個(gè)細(xì)分服務(wù)進(jìn)行評(píng)價(jià)，從而使得用戶或酒店清晰知道細(xì)分服務(wù)的質(zhì)量，為決策提供堅(jiān)實(shí)的論據(jù)。

1 相關(guān)研究

1.1 評(píng)論內(nèi)容對(duì)滿意度影響的研究

基于在線用戶生成的評(píng)論數(shù)據(jù)去研究酒店特征對(duì)客戶滿意度的影響,主要有基于領(lǐng)域?qū)＜乙庖?jiàn)的研究方法、基于語(yǔ)法的研究方法和基于模型分析的研究方法等三種研究方法。

(1) 基于領(lǐng)域?qū)＜乙庖?jiàn)的研究方法：主要根據(jù)酒店領(lǐng)域?qū)＜业囊庖?jiàn)對(duì)酒店特征進(jìn)行篩選和評(píng)價(jià)。這類方法的缺點(diǎn)是專家意見(jiàn)難以全面反映消費(fèi)者的真實(shí)體驗(yàn),同時(shí)，專家意見(jiàn)帶有較強(qiáng)的主觀性色彩，存在偏見(jiàn)[8-9]。

(2) 基于語(yǔ)法的研究方法:主要假設(shè)擁有越多形容詞修飾的特征詞,這些特征就越重要。因此，該類方法主要依賴句法依存關(guān)系去識(shí)別出特征詞的起到修飾作用的形容詞個(gè)數(shù),然后通過(guò)形容詞的聚類，統(tǒng)計(jì)計(jì)算出判別特征的重要度[10-11]。由于方法依賴于形容詞個(gè)數(shù)，因此應(yīng)用范圍受限。

(3) 基于模型分析的研究方法：主要通過(guò)機(jī)器學(xué)習(xí)模型從大量數(shù)據(jù)中統(tǒng)計(jì)學(xué)習(xí)出特征與目標(biāo)之間的關(guān)系。這類方法由于在大量數(shù)據(jù)上進(jìn)行學(xué)習(xí)，因此避免了主觀因素干擾，同時(shí)具有較強(qiáng)的普遍適用性[12-16]。例如，文獻(xiàn)[13]通過(guò)模型探索了情感極性對(duì)用戶消費(fèi)意愿的影響,該方法由于僅僅考慮情感極性而沒(méi)有考慮情感的強(qiáng)度，導(dǎo)致結(jié)果并不令人滿意。文獻(xiàn)[14]提出首先識(shí)別出最頻繁出現(xiàn)的名詞,然后通過(guò)自然語(yǔ)言處理技術(shù)自動(dòng)識(shí)別出產(chǎn)品的特征屬性,同時(shí)采用近義詞擴(kuò)充特征屬性進(jìn)而提升了效果。文獻(xiàn)[15]通過(guò)把亞馬遜的相機(jī)產(chǎn)品對(duì)應(yīng)的評(píng)論數(shù)據(jù)作為研究對(duì)象,采用計(jì)量模型的方法分析了消費(fèi)者的購(gòu)買意愿與產(chǎn)品特征評(píng)價(jià)的關(guān)系。

本文借鑒文獻(xiàn)[15]的研究思路,結(jié)合酒店特征情感和分類模型,細(xì)粒度地分析了酒店服務(wù)類型，從而可以知道消費(fèi)者的滿意度與酒店特征評(píng)價(jià)之間關(guān)系。

1.2 情感分析

情感分析是指對(duì)文本數(shù)據(jù)進(jìn)行情感極性分析,判斷其情感極性是屬于“積極、消極或中立”中的哪一種，或判斷用戶的觀點(diǎn)是“贊同”或“反對(duì)”。這是目前NLP領(lǐng)域非常重要的研究方向之一[17]。情感分析技術(shù)已經(jīng)大量地在很多領(lǐng)域或場(chǎng)景中使用[18-21]。例如：在2010年，文獻(xiàn)[18]就開始運(yùn)用情感分析技術(shù)對(duì)評(píng)論數(shù)據(jù)進(jìn)行分析從而可以進(jìn)行商品的排序；Tumasjan等[19]在2011年在推特?cái)?shù)據(jù)上進(jìn)行情感分析用于對(duì)政治選舉的預(yù)計(jì),也有研究在評(píng)論(Movie reviews)及Blog文本數(shù)據(jù)上進(jìn)行情感分析以便預(yù)測(cè)電影銷售情況[20-21]。為了對(duì)特征的情感進(jìn)行預(yù)測(cè)，Liu等[15]提出的特征情感預(yù)測(cè)模型先辨別出評(píng)論數(shù)據(jù)中商品的特有特征,然后為各個(gè)特征識(shí)別出數(shù)據(jù)的情感極性。還有研究通過(guò)頻繁名詞挖掘方法識(shí)別出相關(guān)的特征，然后為每個(gè)特征計(jì)算得到情感分?jǐn)?shù)，可以為城市的各個(gè)服務(wù)行業(yè)構(gòu)建出觀點(diǎn)挖掘系統(tǒng)，從而為商家提供決策依據(jù)[22-23]。本文將采用基于詞典的情感分析方法[24-27],計(jì)算得到酒店細(xì)粒度服務(wù)特征的情感分?jǐn)?shù),為后面細(xì)粒度服務(wù)分析提供基礎(chǔ)。

2 融入Word Embedding特征的分類方法

Word Embedding作為一種語(yǔ)義表示新方法，能把詞通過(guò)低緯向量進(jìn)行表示，從而使得詞之間的相似性可以通過(guò)向量操作很簡(jiǎn)單地計(jì)算出來(lái)。本文利用開源的向量生成工具(Word2Vec)將各個(gè)詞全部映射到一個(gè)低維向量空間，通常為150或300維度，從而通過(guò)計(jì)算兩個(gè)向量的相似度能夠表示所對(duì)應(yīng)文本的語(yǔ)義相似程度[28]。具體來(lái)說(shuō)，先根據(jù)Word2Vec工具獲得評(píng)論數(shù)據(jù)所對(duì)應(yīng)3大類各自的特征維度,然后識(shí)別出有效特征，通過(guò)情感分析方法去獲得對(duì)應(yīng)的情感分?jǐn)?shù)。為了識(shí)別出特征，本文主要通過(guò)人工去標(biāo)記特征詞,再結(jié)合酒店領(lǐng)域的背景知識(shí)去決定所屬大類，例如：酒店評(píng)論“酒店很干凈”，通過(guò)各個(gè)類別所出現(xiàn)的特征詞，可將其標(biāo)為“酒店設(shè)施”類別；又如評(píng)論“酒店在市區(qū)，交通很方便”，通過(guò)領(lǐng)域背景知識(shí)可將其歸為“交通情況”類別。為了實(shí)現(xiàn)上述設(shè)想，本文通過(guò)圖1所示的框架進(jìn)行研究。

圖1 研究框架

2.1 酒店細(xì)粒度服務(wù)

為了針對(duì)酒店評(píng)論數(shù)據(jù)進(jìn)行細(xì)粒度挖掘，我們對(duì)評(píng)論中可能針對(duì)的酒店服務(wù)進(jìn)行了細(xì)粒度的分析，如表1所示。主要從酒店設(shè)施、服務(wù)和周遭環(huán)境三個(gè)方面分別進(jìn)行細(xì)分，體現(xiàn)了一家酒店的主要服務(wù)細(xì)類。

表1 酒店服務(wù)的細(xì)粒度分類

2.2 預(yù)處理

對(duì)于酒店評(píng)論數(shù)據(jù),按句子進(jìn)行分詞和去除停用詞，包括連詞、介詞以及人稱代詞等。這里保留按照句子進(jìn)行索引和存儲(chǔ)，即以句子為后續(xù)分類和情感分析處理方法的基本單元。

2.3 融入Word Embedding特征的分類

為了對(duì)數(shù)據(jù)進(jìn)行細(xì)粒度分類，需要標(biāo)注數(shù)據(jù)、選擇合適的特征和分類算法，下面分別對(duì)這三方面進(jìn)行論述：

(1) 數(shù)據(jù)標(biāo)注 為了將酒店評(píng)論數(shù)據(jù)分成句子，然后運(yùn)用分類算法將句子進(jìn)行分類。本文首先不僅根據(jù)標(biāo)點(diǎn)符號(hào)“,、.、!、”等來(lái)區(qū)分，還按照名詞實(shí)體作為區(qū)分點(diǎn)，例如“… 熱水充足，空調(diào)給力，但wifi一般，甚至是不夠好，門口就是58路…”將被分為“熱水充足”“空調(diào)給力”“但wifi一般，甚至是不夠好”“門口就是58路”等短句子。然后，去掉完全沒(méi)有出現(xiàn)積極或消極情感詞的客觀句,如“兩個(gè)大人一個(gè)小孩”，接著去掉未包含酒店特征詞的句子，如“四合軒老北京菜 味道正宗 一個(gè)人干掉半只烤鴨很過(guò)癮”。通過(guò)對(duì)10 000條評(píng)論數(shù)據(jù)進(jìn)行人工標(biāo)注，平均評(píng)論數(shù)據(jù)有11個(gè)句子，共產(chǎn)生了110 326的標(biāo)注句子。標(biāo)注的時(shí)候?qū)⑦M(jìn)行兩個(gè)層次標(biāo)注，首先是針對(duì)大類進(jìn)行標(biāo)注，主要區(qū)分評(píng)論句子是酒店設(shè)施、服務(wù)、周遭環(huán)境和其他四大類中的哪一類，“其他”類別指與酒店服務(wù)類別無(wú)關(guān)的句子；其次，對(duì)句子進(jìn)行細(xì)粒度標(biāo)注，標(biāo)明是否是各個(gè)大類中的一個(gè)細(xì)類。

(2) 特征選擇 為了準(zhǔn)確地對(duì)酒店評(píng)論中的句子進(jìn)行細(xì)粒度分類，本文擬采用如下特征去表示數(shù)據(jù)：

? 詞是否出現(xiàn)，0/1特征。

? 詞的tf-idf特征：詞的詞頻(tf)和在數(shù)據(jù)集合中的頻率(df)是衡量詞重要性的重要方式，tf×idf(tf-idf)綜合衡量了詞的重要性。

? 利用Word2Vec工具對(duì)本文爬取的 7 183 763條酒店評(píng)論數(shù)據(jù)進(jìn)行訓(xùn)練(參數(shù)向量維度是150,訓(xùn)練窗口為10),得到所有詞的詞向量。通過(guò)該訓(xùn)練好的詞向量庫(kù)，采用取平均值的方式計(jì)算每條數(shù)據(jù)記錄的向量表示，計(jì)算該向量與所要分類的類別的距離，形成距離向量，維度為所要分類的類別個(gè)數(shù)。

? 從酒店評(píng)論標(biāo)注數(shù)據(jù)中依據(jù)詞頻為每個(gè)類別抽取出相關(guān)詞，構(gòu)建了關(guān)聯(lián)字典；對(duì)評(píng)論數(shù)據(jù)進(jìn)行分詞，判斷是否有詞匯屬于某個(gè)類別對(duì)應(yīng)的集合，形成判斷向量，向量的維度為所要分類的類別個(gè)數(shù)。

(3) 分類算法 為了選擇合適的分類算法，本文擬選擇樸素貝葉斯和支持向量機(jī)兩種分類器進(jìn)行分類。

① 樸素貝葉斯：

假設(shè)有K個(gè)類別的數(shù)據(jù)，樸素貝葉斯根據(jù)下式去判斷一個(gè)數(shù)據(jù)x=(x1,x2,…,xn)所屬的類別：

(1)

② 支持向量機(jī):

給定訓(xùn)練數(shù)據(jù)集合{(xi,yi);i=1,2,…,N}，支持向量機(jī)的核心思想是認(rèn)為選擇最大化邊白的曲面可以最大可能地區(qū)分開數(shù)據(jù)點(diǎn)，如圖2所示。

圖2 支持向量機(jī)算法的核心原理

為了求取最大邊白(Margin)，可以歸結(jié)為下述的優(yōu)化問(wèn)題：

(2)

s.t.yi(ωTxi+b)≥1i=1,2,…,m

通過(guò)求取該優(yōu)化問(wèn)題，可以把最大邊白曲面的參數(shù)求取出來(lái)，從而實(shí)現(xiàn)分類功能。

由于我們的分類是二級(jí)分類，本文將首先對(duì)大類進(jìn)行分類，然后再對(duì)細(xì)分類別進(jìn)行分類，在實(shí)驗(yàn)部分將詳細(xì)展示分類效果。

2.4 基于詞典的情感分析

(3)

(4)

(5)

式中：WCi是句子Si的詞個(gè)數(shù)。而對(duì)某個(gè)類別的情感分析通過(guò)下式來(lái)計(jì)算：

Ci=∑Si

(6)

式(6)計(jì)算之后所得的情感分?jǐn)?shù)就是消費(fèi)者群體對(duì)相應(yīng)酒店某個(gè)類別的細(xì)粒度服務(wù)的情感評(píng)價(jià)。因此，通過(guò)匯總酒店的各個(gè)類別的情感分?jǐn)?shù)，得到酒店細(xì)粒度服務(wù)的情感矩陣，由此可知消費(fèi)者對(duì)于特定酒店三大類及其22個(gè)細(xì)粒度服務(wù)的情感分?jǐn)?shù)。

3 實(shí) 驗(yàn)

3.1 數(shù) 據(jù)

從2018年1月至2月,通過(guò)對(duì)攜程和去哪兒網(wǎng)站的酒店目錄進(jìn)行數(shù)據(jù)爬取，抓取了包括酒店名字和對(duì)應(yīng)的評(píng)論數(shù)據(jù)，評(píng)論數(shù)據(jù)包括用戶評(píng)分、評(píng)論編號(hào)、標(biāo)題和評(píng)論正文。經(jīng)過(guò)去除噪音、刪除無(wú)效數(shù)據(jù)等數(shù)據(jù)清洗操作最終整理得到632家酒店和總共7 183 763條酒店評(píng)論數(shù)據(jù)。同時(shí)，針對(duì)所有酒店評(píng)論數(shù)據(jù)通過(guò)Word2Vec工具進(jìn)行訓(xùn)練(150維，窗口大小設(shè)置為10)，得到每個(gè)詞對(duì)應(yīng)的向量用于后續(xù)分類等分析模塊中。最后，還在7 183 763條酒店評(píng)論數(shù)據(jù)集中隨機(jī)選取，然后人工標(biāo)注了10 000條評(píng)論數(shù)據(jù)。通過(guò)統(tǒng)計(jì)，評(píng)論數(shù)據(jù)平均有11個(gè)句子，因此共產(chǎn)生了110 326的標(biāo)注句子，具體的標(biāo)注過(guò)程見(jiàn)3.3節(jié)。

3.2 分類效果評(píng)價(jià)

對(duì)大類別和小類別分別采用兩個(gè)分類算法進(jìn)行分類，每次分類都將數(shù)據(jù)集合按照80%～20%進(jìn)行劃分，80%的部分作為訓(xùn)練數(shù)據(jù)，而20%的部分作為測(cè)試數(shù)據(jù)，實(shí)驗(yàn)結(jié)果如表2所示。表中所有結(jié)果均是采用10倍交叉驗(yàn)證所獲得的平均值。

表2 基于機(jī)器學(xué)習(xí)的特征分類效果比較

續(xù)表2

從表2中可以看出，支持向量機(jī)比樸素貝葉斯取得了更好的實(shí)驗(yàn)結(jié)果，后續(xù)將以支持向量機(jī)訓(xùn)練得到的分類模型作為后續(xù)模塊的支撐。

為了分析所選特征所起到的作用，本文逐個(gè)減去某特征然后進(jìn)行實(shí)驗(yàn)，采用Precision評(píng)價(jià)指標(biāo)，限于篇幅，圖3中只展示了一個(gè)大類和一個(gè)小類的實(shí)驗(yàn)結(jié)果，在其他類別上的實(shí)驗(yàn)結(jié)果的趨勢(shì)類似。

圖3 大類“酒店設(shè)施”和小類“前臺(tái)服務(wù)”在不同特征上的Precision值

該實(shí)驗(yàn)結(jié)果表明，tf-idf特征幾乎沒(méi)用，經(jīng)過(guò)分析，這很可能是由于句子太短，詞頻幾乎沒(méi)有差別；最有用的特征是“詞是否出現(xiàn)”這個(gè)特征；同時(shí)，可以看到，本文提出的兩個(gè)新特征——詞向量距離和詞典距離特征也起到了重要作用。

3.3 細(xì)粒度情感分析

為了識(shí)別出消費(fèi)者對(duì)酒店的服務(wù)的在意程度，本文分別對(duì)各個(gè)服務(wù)類別的評(píng)論極性進(jìn)行了統(tǒng)計(jì)分析，結(jié)果如表3所示?？梢钥闯?，顧客對(duì)每個(gè)類別的情感表達(dá)有正有負(fù),其中：客房服務(wù)的最小值為-4.02,最大值為12.42,不管是從消極情感的強(qiáng)度還是積極情感的強(qiáng)度,其絕對(duì)值均是所有服務(wù)中最大的,表明情感最強(qiáng)烈;前臺(tái)服務(wù)的最小值為-4.82,最大值為14.37,情感強(qiáng)烈程度僅次于客房服務(wù)。在大類中，消費(fèi)者首先重視的是酒店設(shè)施，然后是周遭環(huán)境，再次是服務(wù)，這和一般人的直覺(jué)有些不一致。通常會(huì)認(rèn)為服務(wù)應(yīng)該是最受顧客關(guān)心的，經(jīng)過(guò)仔細(xì)思考，其實(shí)這個(gè)結(jié)果是合理的，設(shè)想顧客到了酒店之后如果酒店設(shè)施完備，體驗(yàn)極佳，其實(shí)顧客較少需要酒店人員的服務(wù)；反之，如果酒店設(shè)施問(wèn)題很大，再好的服務(wù)都不會(huì)使得顧客滿意。

表3 細(xì)粒度情感分析結(jié)果

3.4 案例研究

從本文的情感分?jǐn)?shù)計(jì)算方法(式(3)-式(6))可知，所計(jì)算出的情感分?jǐn)?shù)理論上范圍在(-∞,+∞)，但是一個(gè)句子的詞總數(shù)是有限的，因此，情感分?jǐn)?shù)一般不會(huì)太大和太小。另外，情感分?jǐn)?shù)的絕對(duì)值只表明用戶對(duì)于該項(xiàng)的情感強(qiáng)烈程度，絕對(duì)值越大表明用戶正面或負(fù)面的情感越強(qiáng)烈，反之越弱。

本節(jié)將展示一些分析案例來(lái)表明所提出的細(xì)粒度情感分析對(duì)于酒店的評(píng)估能起到重要支撐作用。從表4中的案例可以看出，該酒店部分服務(wù)沒(méi)有停車場(chǎng)、接機(jī)和租車等服務(wù)，因此表格中這些服務(wù)的評(píng)價(jià)和情感分?jǐn)?shù)為空。同時(shí)，也可以看出該酒店在衛(wèi)生狀況、前臺(tái)服務(wù)和環(huán)境噪音情況等服務(wù)類別的情感分?jǐn)?shù)分別是6.32、9.23和7.92，表明該酒店前臺(tái)服務(wù)比較好，衛(wèi)生情況也比較良好，同時(shí)整個(gè)酒店外界噪音較小。而該酒店在客房?jī)?nèi)設(shè)施的情感分?jǐn)?shù)只有1.73，仔細(xì)查看評(píng)論“就是洗衣機(jī)用不了；電動(dòng)的窗簾一個(gè)是壞了，關(guān)不上；就是衛(wèi)生間的潔具相對(duì)來(lái)說(shuō)感覺(jué)有點(diǎn)舊了，用起來(lái)不是很方便”，可知該酒店的哪些設(shè)施讓用戶感覺(jué)不好，有待提升。在房間隔音效果只取得了3.2的分?jǐn)?shù)，仔細(xì)查看評(píng)論“房間隔音不好；環(huán)境一般，有吵聲，很影響休息”，這表明該酒店隔音效果不好，有待提升。通過(guò)該案例的分析，表明本文提出的方法可以為酒店管理層提供一種快速的細(xì)粒度酒店質(zhì)量評(píng)估，提升酒店服務(wù)水平。

表4 案例分析(犀客空間(北京國(guó)貿(mào)和喬麗致店))

續(xù)表4

4 結(jié) 語(yǔ)

本文針對(duì)目前酒店評(píng)論數(shù)據(jù)分析方法粒度較粗、缺乏細(xì)粒度情感分析的問(wèn)題，首先對(duì)評(píng)論數(shù)據(jù)進(jìn)行了細(xì)粒度分類，然后通過(guò)基于詞典的情感分析方法對(duì)酒店評(píng)論進(jìn)行極性判斷，從而獲得用戶對(duì)酒店服務(wù)的細(xì)粒度情感評(píng)價(jià)。本文方法能讓酒店管理層快速全面了解酒店服務(wù)質(zhì)量情況，有效提升了酒店管理效率和服務(wù)水平，推動(dòng)了酒店管理水平的提升。