羅俊杰

雷澤鑫

胡一可

王 苗*

曹 磊

城市公園是游覽、社交、鍛煉及舉辦文化活動的重要公共場所[1]，是城市生態(tài)系統(tǒng)、城市景觀的重要組成部分[2]。伴隨城市人口的增長與公園使用頻率的增加[3]，公園中景觀設(shè)計、環(huán)境養(yǎng)護和設(shè)施管理等需求日益增長[4-5]。隨著信息化技術(shù)的快速發(fā)展，一方面社交媒體平臺(Social Media Platform)引發(fā)了人們對時事新聞、網(wǎng)絡(luò)熱點和城市生活相關(guān)內(nèi)容的廣泛評論[6]，帶有情感傾向性(Sentiment Tendency)的公園網(wǎng)絡(luò)評論大數(shù)據(jù)應(yīng)運而生[7]；另一方面，大數(shù)據(jù)科學(xué)(Big Data Science)、機器學(xué)習(xí)(Machine Learning)、深度學(xué)習(xí)(Deep Learning)等領(lǐng)域深刻影響了城市規(guī)劃、風(fēng)景園林等學(xué)科的學(xué)術(shù)研究方向[8-10]。

情感傾向分析(Sentiment Tendency Analysis)是對帶有情感色彩的主觀性文本進(jìn)行分析、處理、歸納和推理的過程[11]。游客的情感傾向是反映城市公園受歡迎程度與優(yōu)劣勢的重要指標(biāo)[12]。對公園網(wǎng)絡(luò)評論大數(shù)據(jù)的研究緩解了游客與風(fēng)景園林設(shè)計師、公園管理者之間由于信息不對等帶來的矛盾[13]，對提高公園設(shè)計水平和城市形象具有積極作用。通過數(shù)據(jù)挖掘(Data Mining)得出文本情感極性的情感傾向分析技術(shù)為研究公園評論大數(shù)據(jù)提供了支撐，為提升公園空間品質(zhì)和優(yōu)化服務(wù)策略提供了決策支持?；谏疃葘W(xué)習(xí)算法的文本情感傾向分析技術(shù)為非結(jié)構(gòu)化和半結(jié)構(gòu)化的網(wǎng)絡(luò)評論數(shù)據(jù)定量分析提供了解決途徑，突破了傳統(tǒng)問卷調(diào)查[14]、專家打分[15]等定量分析方法中信息源、數(shù)據(jù)量、真實度等方面的局限[16]。有學(xué)者嘗試運用情感傾向分析技術(shù)開展城市公共空間研究，包括人氣指數(shù)量化評價[17]、情感信息抽取[18-19]和情感差異分析[20]等。已有研究體現(xiàn)了利用情感傾向分析技術(shù)從評論數(shù)據(jù)中獲取使用者對城市公共空間情感評價與使用態(tài)度的重要意義與研究趨勢，但城市公園的問題總結(jié)和更新改造需要依靠細(xì)粒度更高的景觀要素分類評價與空間性分析方法，將公園中的情感傾向分析具體落實到景觀節(jié)點尺度，實現(xiàn)情感傾向與空間分析的結(jié)合。本研究通過提取社交媒體大數(shù)據(jù)中公園的游客評論信息，捕捉整體情感傾向與時空分布特征，綜合評論數(shù)據(jù)中關(guān)注度最高的內(nèi)容與城市公園景觀要素[21]，將公園劃分為水體景觀、建筑景觀、植物景觀、露天場地、服務(wù)設(shè)施和主題活動6個評價類別。利用多標(biāo)簽文本分類模型[22]對游客評論信息進(jìn)行分類，獲取游客在公園景點中不同類別的情感傾向。

本文的研究目的是通過構(gòu)建適配城市公園評論數(shù)據(jù)特征的深度學(xué)習(xí)模型對網(wǎng)絡(luò)評論數(shù)據(jù)進(jìn)行分析，明確公園評論數(shù)量與情感傾向在時間和空間上的變化特征，比較不同評價類別對游客情感的影響程度，總結(jié)公園面臨的優(yōu)劣勢，提出優(yōu)化提升建議。研究問題包括：1)如何構(gòu)建適配城市公園評論數(shù)據(jù)特征的深度學(xué)習(xí)模型？2)以水上公園為例，評論數(shù)量和情感傾向在時間和空間上存在何種變化特征及規(guī)律？不同評價類別對游客情感會造成何種程度的影響？本文的創(chuàng)新點在于：1)提出了以深度學(xué)習(xí)算法為支撐，以專業(yè)點評網(wǎng)站和社交媒體平臺評論為數(shù)據(jù)源的衡量城市公園游客情感傾向的方法；2)將游客情感傾向分析具體落實到景觀節(jié)點尺度，實現(xiàn)情感傾向與時空分析的結(jié)合，得出不同時空環(huán)境與公園使用者的情感傾向關(guān)系；3)利用多標(biāo)簽文本分類模型對評論數(shù)據(jù)進(jìn)行分類，實現(xiàn)了公園景觀不同評價類別情感傾向的量化分析，并對公園問題進(jìn)行了精細(xì)化和系統(tǒng)性的研判。

1 研究區(qū)域與研究方法

1.1 研究區(qū)域

天津水上公園原稱青龍?zhí)叮娣e約200hm2，由東、西、南三大湖及11個島嶼組成，是天津市規(guī)模最大的綜合性公園(圖1)。選取該公園作為研究對象的原因如下：1)水上公園位于天津中心城區(qū)，建成年代久，受歡迎程度高，但現(xiàn)有的物質(zhì)空間與使用者日益增長的需求不匹配[23]，并且這類問題普遍存在于同類型城市公園中，因此本研究具有一定的普適性；2)水上公園作為多種公共活動的舉辦場地，使用者數(shù)量眾多、類型多元，具有研究意義和優(yōu)化價值；3)水上公園的社交媒體評論數(shù)據(jù)樣本量較大，滿足樣本的選取條件，能夠為城市公園研究提供翔實充足的基礎(chǔ)數(shù)據(jù)。

圖1 研究區(qū)域

1.2 研究方法

深度學(xué)習(xí)算法可有效獲取社交媒體評論中的非結(jié)構(gòu)化文本信息，實現(xiàn)情感極性判斷等文本分類需求[24]。本文提出以社交媒體評論為數(shù)據(jù)源，以深度學(xué)習(xí)算法為支撐的衡量城市公園游客情感傾向的方法，技術(shù)路線如圖2所示。研究步驟為：1)數(shù)據(jù)收集與清洗；2)數(shù)據(jù)標(biāo)注與分類；3)情感極性判斷。

圖2 技術(shù)路線

1.2.1 數(shù)據(jù)收集與清洗

以攜程旅行網(wǎng)、馬蜂窩、美團周邊游、去哪兒網(wǎng)和新浪微博5個中文網(wǎng)絡(luò)平臺為數(shù)據(jù)源(表1)。其中，馬蜂窩、攜程旅行網(wǎng)、美團周邊游和去哪兒網(wǎng)是旅游景點評價、攻略分享、門票預(yù)訂等功能為一體的專業(yè)點評網(wǎng)站，包含大量短文本的景點評論數(shù)據(jù)；新浪微博作為中國最大的社交媒體平臺之一，用戶可以通過文字、圖片、視頻等形式及時分享和傳播信息[25]，包含大量城市公園評論信息。4個專業(yè)點評網(wǎng)站與新浪微博社交媒體平臺在評論形式、包含內(nèi)容和評論數(shù)據(jù)特點上存在差異，將專業(yè)點評網(wǎng)站與社交媒體平臺的文本評論數(shù)據(jù)作為數(shù)據(jù)源共同納入數(shù)據(jù)集，可以克服單一點評網(wǎng)站或同類型網(wǎng)絡(luò)平臺數(shù)據(jù)存在的人群覆蓋不全面、評論方式較單一等問題。利用python的BeautifulSoup、urllib、re正則表達(dá)式及sqlite3等實現(xiàn)文本評論數(shù)據(jù)的爬取、解析與存儲，以2016年1月1日—2019年12月31日為時間節(jié)點，共獲得文本評論數(shù)據(jù)10 913條。

表1 數(shù)據(jù)信息

數(shù)據(jù)清洗工作是保證后期數(shù)據(jù)研究質(zhì)量的重要環(huán)節(jié)[26]。首先對評論數(shù)據(jù)集中與游客評價數(shù)據(jù)完全無關(guān)的廣告等類型數(shù)據(jù)進(jìn)行剔除；其次，刪除不能代表個人情感傾向的城市公共頻道、城市公眾號，如“奏耐天津”“文旅天津”“天津廣播”等發(fā)布的數(shù)據(jù)；再次，對數(shù)據(jù)集中的重復(fù)數(shù)據(jù)進(jìn)行去重處理，剔除部分文本空缺數(shù)據(jù)，并對少量繁體字文本進(jìn)行簡體轉(zhuǎn)換，英文文本利用翻譯工具進(jìn)行自動翻譯；最終獲得清洗之后的數(shù)據(jù)共2 906條。

1.2.2 數(shù)據(jù)標(biāo)注與分類

通過收集并清洗社交大數(shù)據(jù)中公園使用者的評論信息，綜合評論數(shù)據(jù)中關(guān)注頻度最高的內(nèi)容與城市公園景觀要素，將公園評論內(nèi)容劃分為水體景觀、建筑景觀、植物景觀、露天場地、服務(wù)設(shè)施和主題活動6個類別。其中，水體景觀包含與公園水體相關(guān)的景觀評論、風(fēng)景描述等；建筑景觀包含公園連廊建筑、休憩亭，以及神戶園、牡丹園等主題園；植物景觀包含與植物相關(guān)的描述及喜好程度等；露天場地包含景觀拱橋、平橋、廣場、道路等；服務(wù)設(shè)施包含公園座椅、衛(wèi)生間、兒童游樂設(shè)施等；主題活動包含公園菊花節(jié)、社區(qū)團體活動等。

文本分類可分為二分類、多分類、多標(biāo)簽分類3種。本研究基于PaddlePaddle深度學(xué)習(xí)框架下的EASYDL平臺，采用多標(biāo)簽文本分類模型，對公園6個評價類別的文本評論數(shù)據(jù)進(jìn)行標(biāo)注與分類，以評價不同內(nèi)容層級的情感傾向。具體實現(xiàn)方式如下：首先，從數(shù)據(jù)集中隨機抽取600個模型訓(xùn)練樣本，在EASYDL平臺上創(chuàng)建多標(biāo)簽文本分類數(shù)據(jù)集，并對訓(xùn)練樣本進(jìn)行手動標(biāo)注；其次，針對多標(biāo)簽文本分類數(shù)據(jù)進(jìn)行模型訓(xùn)練，結(jié)合模型評估報告和校驗結(jié)果逐步調(diào)優(yōu)；最后，在模型訓(xùn)練完畢后，通過restful API接口對模型進(jìn)行調(diào)用，對待分類樣本進(jìn)行分類。

文本分類模型常以精確率P、召回率R和F1值作為評價指標(biāo)。精確率是針對預(yù)測結(jié)果而言的，表示預(yù)測為正的樣本中實際為正的比例，精確率越高，說明模型分類越準(zhǔn)確。召回率是針對樣本而言的，即樣本中正樣本被正確預(yù)測的數(shù)量，召回率越高，說明模型的覆蓋面越廣，漏掉的文本越少[27]。F1值是全面反映模型分類性能的綜合指標(biāo)，它是精確率和召回率的調(diào)和平均值(Harmonic Mean)[28]。評價指標(biāo)的計算公式如下①：

采用宏平均的精確率、召回率和F1值對本次構(gòu)建的多標(biāo)簽文本分類模型進(jìn)行整體評價，計算公式如下：

最終得到模型宏平均的精確率P為96.5%，召回率R為84.0%，F(xiàn)1值為89.5%，滿足本研究后續(xù)對已完成分類的樣本數(shù)據(jù)進(jìn)行情感傾向分析的要求。

1.2.3 情感極性判斷

深度學(xué)習(xí)算法廣泛應(yīng)用于自然語言處理領(lǐng)域，并取得了比傳統(tǒng)模型更好的效果[29]。常用的深度學(xué)習(xí)算法主要包括卷積神經(jīng)網(wǎng)絡(luò)(CNN)、長-短期記憶模型(LSTM)、雙向LSTM結(jié)構(gòu)模型(BI-LSTM)和百度文本語義表示模型(ERNIE2.0)等。公園評論數(shù)據(jù)以非結(jié)構(gòu)化的短文本為主，大多數(shù)評論文本中包含了決定文本整體情感傾向的特征詞，利用ERNIE2.0可以實現(xiàn)精準(zhǔn)情感極性的判斷[30]。通過調(diào)用API接口，對水上公園評論數(shù)據(jù)的情感極性類別進(jìn)行判斷。情感極性分為消極(0～0.333)、中性(0.333～0.667)和積極(0.667～1.000)3類，并附加對應(yīng)置信度。通過深度學(xué)習(xí)算法對評論數(shù)據(jù)進(jìn)行情感值計算，可節(jié)省大量人工解釋時間，且具有普適性。

2 結(jié)果分析

2.1 整體情感傾向與時空分布特征

2.1.1 整體情感傾向

整體情感傾向分析有助于從宏觀上分析游客對水上公園的滿意度。本研究將收集并清洗完畢的2 906條評論數(shù)據(jù)進(jìn)行情感極性判斷，獲得整體情感傾向結(jié)果。整體而言，評論數(shù)據(jù)所表現(xiàn)出的游客情感傾向偏積極，情感極性均值為0.703 6。其中，積極評論1 896條，占比65.2%；中性評論545條，占比18.8%；消極評論465條，占比16.0%。

2.1.2 時間分布特征

根據(jù)獲取的2016年1月1日—2019年12月31日水上公園評論數(shù)據(jù)中的時間信息，利用ECHARTS平臺對評論數(shù)據(jù)的數(shù)量與情感均值進(jìn)行可視化展示，繪制日歷熱圖(圖3B)，研究在不同時間尺度下公園評論數(shù)量與情感均值的變化特征。

圖3 結(jié)果分析

從數(shù)量上來看，評論數(shù)量最多的為5月，其次是4、10和6月，而1、2和12月數(shù)量較少。相較于工作日，周末評論數(shù)量有所增加，在勞動節(jié)、國慶節(jié)、清明節(jié)等節(jié)假日，評論數(shù)量出現(xiàn)峰值。由此可知，水上公園觀覽量具有較明顯的季節(jié)性差異，且節(jié)假日及周末人流聚集效應(yīng)較為突出。

從情感均值衡量公園評論的情感傾向可知：首先，每日情感均值方面，周末與工作日的情感均值并未出現(xiàn)明顯差異，周末公園游客的情感傾向并不比工作日更積極；其次，每月情感均值數(shù)據(jù)方面，不同月份之間的波動較明顯，波動范圍為[0.675，0.725]，其中3、4、10月情感均值較高，6、7、8月情感均值較低。通過不同月份的詞頻分析可知，情感均值較高月份的高頻詞多以描述植被、人物內(nèi)心活動、空間環(huán)境特點等為主，例如“優(yōu)美”“放松”“鮮花”“舒適”等；而情感均值較低月份的高頻詞中則出現(xiàn)了反應(yīng)炎熱天氣與蚊蟲叮咬的詞匯，例如“高溫”“夏天”“蚊子”等，說明夏季高溫天氣及蚊蟲叮咬從一定程度上直接引發(fā)使用者對于公園環(huán)境的消極情緒。

2.1.3 空間分布特征

由于大多數(shù)評論數(shù)據(jù)直接定位天津水上公園，缺少更精確的公園景點定位，所以本研究采用搜索景點名稱關(guān)鍵詞的方法對游樂園、眺遠(yuǎn)亭、神戶園等17處主要景點評論數(shù)據(jù)進(jìn)行分類提取，獲取評論數(shù)量，并對評論信息進(jìn)行情感均值計算。將評論數(shù)據(jù)統(tǒng)計完畢后進(jìn)行歸一化處理，利用ArcGIS 10.5平臺實現(xiàn)可視化展示(圖3C)。

公園不同景點的評論數(shù)量差異較大。其中，游樂園評論數(shù)量最多，可以看出以兒童及親子游樂為主的游樂園在公園中的關(guān)注度非常高；特色鮮明的神戶園、盆景園、水生植物園等主題園也有較多參觀者；以市民休閑活動為主的水晶廣場、步勝廊、老茶坊等同樣具有較高人氣；而迎仙閣、湖濱軒、水香洲書院等評論數(shù)據(jù)較少。

景點的情感均值是研究公園游客對景點喜好程度的重要指標(biāo)。盆景園、神戶園、水生植物園的情感均值與評論數(shù)量都相對較高；牡丹園雖然評論數(shù)量較少，但情感均值較高，說明特色主題園的設(shè)計營造與景觀管理已經(jīng)成為水上公園的亮點，在吸引游客游覽的同時收獲了較多好評。此外，添趣亭、眺遠(yuǎn)亭、步勝廊和水晶廣場等觀光休閑景點也具有較高的情感均值。然而，游樂園、游船碼頭的情感均值相對較低，通過查閱詞頻及閱讀相關(guān)評論可知，公園內(nèi)游樂場地的負(fù)面情感傾向主要源于游樂設(shè)施老化、費用較高且不能網(wǎng)絡(luò)支付，以及工作人員態(tài)度欠佳等問題。

2.2 分類情感傾向分析

通過構(gòu)建評論數(shù)據(jù)源、情感極性與6個評價類別的對應(yīng)關(guān)系，可清晰直觀地了解數(shù)據(jù)結(jié)構(gòu)及占比情況(圖3E)。在分類情感傾向分析數(shù)據(jù)中，公園水體景觀的評論最多，占總評論數(shù)的23.64%；其次是對植物景觀和服務(wù)設(shè)施的描述，占比分別為21.68%和18.72%；對主題活動、建筑景觀描述的占比分別為14.83%和12.35%；而對公園露天場地的評論相對較少，占比為8.77%。

在利用深度學(xué)習(xí)算法實現(xiàn)不同類別的情感極性判斷之后，通過提取不同類別中的詞頻信息，并對照已分類評論文本中的描述內(nèi)容，對不同類別的評論進(jìn)行詳細(xì)分析(圖3E)。水體景觀的情感傾向評價方面，積極情感占比最高(83.7%)，消極情感占比最低(5.1%)。積極評論主要集中在對景觀水體與水面活動的描述上，例如“水面很寬闊也很清澈”“湖水碧波蕩漾，在湖中踏上腳踏船意境非常好”等。有少量消極與中性評論擔(dān)心兒童溺水，認(rèn)為駁岸設(shè)計缺乏創(chuàng)新，安全性較差，對“野泳”等不當(dāng)行為存在管理缺失等問題。服務(wù)設(shè)施的積極情感占比最低(44.5%)、消極情感占比最高(35.7%)，其中較多消極與中性評論認(rèn)為公園餐飲收費和游樂設(shè)施門票價格較高、支付方式上不能使用網(wǎng)絡(luò)付款造成不便、部分公共服務(wù)設(shè)施老化嚴(yán)重、游樂設(shè)施缺乏新意，以及工作人員態(tài)度有待提升，例如“游樂設(shè)施太舊了，收費不低”“游樂設(shè)施非常貴，而且好多還不是套票，工作人員態(tài)度不好”等。植物景觀、建筑景觀和主題活動的積極情感占比相對較高，評論主要包括對公園植物、景觀連廊、相關(guān)活動等內(nèi)容的積極描述，也有部分評論認(rèn)為蚊蟲叮咬嚴(yán)重、人多吵鬧、展棚設(shè)計怪異等；相比之下，露天場地的積極情感占比相對較低(59.2%)，積極評論主要集中于廣場、景觀拱橋等描述上，而消極評論多認(rèn)為人流眾多、晨練與廣場舞等居民活動帶來的噪聲污染嚴(yán)重。

3 討論

3.1 基于深度學(xué)習(xí)的城市公園情感傾向研究方法

研究方法上，本研究突破了傳統(tǒng)調(diào)查問卷、專家打分等方法的局限，利用python對4個專業(yè)公園景點評論網(wǎng)站及新浪微博平臺上關(guān)于天津水上公園的評論數(shù)據(jù)進(jìn)行爬取與清洗，構(gòu)建公園分析評論數(shù)據(jù)集，增加了數(shù)據(jù)源的多元性。同時基于自然語言處理的深度學(xué)習(xí)算法，對公園使用者的情感極性進(jìn)行了定量分析，并對其整體情感傾向和時空分布特征進(jìn)行了探討。通過綜合評論數(shù)據(jù)中關(guān)注度最高的內(nèi)容與城市公園景觀要素，提出從水體景觀、建筑景觀、植物景觀、露天場地、服務(wù)設(shè)施和主題活動6個類別進(jìn)行分類情感傾向分析，為相關(guān)研究提供了新思路。相較于傳統(tǒng)問卷調(diào)查或現(xiàn)場訪談，此方法具有可獲取樣本數(shù)量更多、時間跨度更大，以及調(diào)查研究投入成本低、效率高、結(jié)果可量化等優(yōu)點。通過自然語言處理深度學(xué)習(xí)算法對使用者的情感極性進(jìn)行判斷，有利于精確度量游客情感傾向，為公園改造提升提供依據(jù)。

研究也存在如下局限。1)數(shù)據(jù)源。不同網(wǎng)絡(luò)平臺在城市公園及其他類型景點的評論數(shù)量上存在差異。網(wǎng)絡(luò)用戶只占公園實際游客的小部分，且年齡上可能更年輕、受教育程度也可能更高[31]。因此，網(wǎng)絡(luò)評論數(shù)據(jù)雖然為相關(guān)研究提供了強有力的數(shù)據(jù)支撐，但也存在固有弊端。2)影響游客情感的因素。除了公園空間品質(zhì)、環(huán)境管理水平等客觀因素對游客情感產(chǎn)生的影響外，游客情感也可能受到個人生活、突發(fā)事件等多因素影響。由于相關(guān)因素難以篩查，故未納入此次研究的考量范圍。3)游客情感的細(xì)粒度。本研究將游客情感劃分為積極、中性、消極3類，能夠滿足研究需要。后續(xù)研究可依據(jù)具體研究目標(biāo)對游客情感進(jìn)行更具細(xì)粒度的分析，如憤怒、厭惡、恐懼、驚訝、快樂等。盡管如此，本研究提出的方法依然可為城市公園相關(guān)研究提供參考與借鑒。

3.2 水上公園優(yōu)化提升建議

游客情感傾向分析是從游客視角分析問題，為提升公園景觀空間品質(zhì)提供數(shù)據(jù)支撐，避免游客、公園設(shè)計師及管理方之間由于信息不對等產(chǎn)生矛盾?；谏鲜龇治觯瑥墓珗@規(guī)劃設(shè)計、環(huán)境管理、活動組織與消費服務(wù)方面對水上公園提出優(yōu)化提升建議。

1)規(guī)劃設(shè)計上，作為以“水”為主題的城市綜合公園，游客對于水體景觀的評價與關(guān)注度較高。多數(shù)評論對水體景觀持積極態(tài)度，但也存在部分評論認(rèn)為駁岸設(shè)計缺乏創(chuàng)新、安全性較差，存在兒童溺水風(fēng)險。因此在增加親水空間及其景觀趣味性的同時，應(yīng)加強安全性考慮。此外，公園動靜分區(qū)欠佳及噪聲污染問題同樣是評論的關(guān)注點。公園動靜分區(qū)規(guī)劃一方面應(yīng)當(dāng)人性化地滿足周邊居民晨練與廣場舞等需求，另一方面應(yīng)避免高音喇叭對公園其他區(qū)域造成的噪聲污染。

2)環(huán)境管理上，加大管理力度是保證公園使用體驗的重要環(huán)節(jié)。依據(jù)評論分析，公園在建筑景觀、植物景觀及服務(wù)設(shè)施等方面管理不足，因此需加強亭廊水榭等建筑景觀及公園廣場、休閑步道等露天場地的維護管理工作，更換部分受損公共服務(wù)設(shè)施，優(yōu)化游樂園設(shè)施管理。蚊蟲叮咬一定程度上引發(fā)了游客的消極情緒，應(yīng)加強夏季蚊蟲防治，合理配置戶外滅蚊設(shè)備，營造利于蚊患防控的植物景觀。此外，還需加強對“野泳”等不文明行為的管控，提升公園整體形象。

3)活動組織與消費服務(wù)上，提供人性化服務(wù)是改善游客體驗的有效方式。例如，依托菊花節(jié)等現(xiàn)有公園活動，優(yōu)化展陳形式，增加豐富多彩的周邊活動，增強游客的參與性與互動性；適當(dāng)降低游樂設(shè)施門票與餐飲價格，增加線上支付等多渠道消費方式，改變僅限現(xiàn)金支付的現(xiàn)狀；提升工作人員專業(yè)素質(zhì)，改善服務(wù)態(tài)度。

4 結(jié)語

本文通過對網(wǎng)絡(luò)評論進(jìn)行收集和清洗、標(biāo)注與分類，進(jìn)行了情感極性判斷，分析了天津水上公園評論數(shù)據(jù)的整體情感傾向，明確了評論數(shù)量與情感均值的時空分布特征，并從水體景觀、建筑景觀、植物景觀、露天場地、服務(wù)設(shè)施和主題活動6個方面進(jìn)行分類分析。研究發(fā)現(xiàn)：1)水上公園游客整體情感傾向偏積極；2)評論數(shù)量在時間分布上有較明顯的季節(jié)性差異，節(jié)假日及周末人流聚集效應(yīng)較突出，在空間分布上集中在以兒童及親子游樂為主的游樂園及神戶園、盆景園等主題園；3)情感均值分布分析方面，在時間上，存在不同月份和平假日之間的明顯波動，空間上，不同景觀節(jié)點分值存在較大差異；4)在分類情感傾向分析中，使用者對水體景觀與植物景觀的積極情感度較高，對服務(wù)設(shè)施與主題活動的消極情感度較高。基于分析結(jié)論，本文對水上公園的規(guī)劃設(shè)計、環(huán)境管理、活動組織與消費服務(wù)3個方面提出了優(yōu)化提升建議。

提取和分析多網(wǎng)絡(luò)平臺及大時間跨度評論內(nèi)容的數(shù)字化方法可為城市公園的規(guī)劃與建設(shè)提供更加強大的數(shù)據(jù)支撐和更加多元的研究可能性。隨著深度學(xué)習(xí)、大數(shù)據(jù)等領(lǐng)域的不斷發(fā)展及相關(guān)技術(shù)在風(fēng)景園林學(xué)科中的廣泛應(yīng)用，城市公園規(guī)劃設(shè)計與研究的精細(xì)化程度將得到大幅提升。

注：文中圖片均由作者繪制。

注釋：

① 依據(jù)混淆矩陣，TP(Ture Positive)是把正的判斷為正的數(shù)目；FN(False Negative)是把正的錯判為負(fù)的數(shù)目；FP(False Positive)是把負(fù)的錯判為正的數(shù)目；TN(True Negative)是把負(fù)的判為負(fù)的數(shù)目。