基于TextCNN和LightGBM的导游违规行为检测

人工处理旅游评论需要耗费大量人力,如何自动分析旅游评论检测出导游违规行为,为旅游监管提供依据,成为一个迫切需要解决的热点问题。该文提出了一种基于TextCNN和LightGBM的导游违规行为检测方法,首先构建旅游评论的文本卷积神经网络(TextCNN)从海量旅游评论信息中筛选出负面评论;再将这些负面评论送入基于梯度提升决策树(LightGBM)的导游违规行为分类模型,分析得到导游违规行为的具体类型分类及分类概率。使用准确率、召回率、F1值等多个性能指标对提出的模型进行测试与分析,实验数据表明,基于TextCNN和LightGBM的导游违规行为检测方法比一些其他主流方法和模型(SVM、LSTM、XGBoost等)具有更好的准确性和合理性。同时,该方法应用在实际旅游大数据系统中可以得到91.57%的准确率。

旅游法对导游人员的法律规制分析——以云南女导游辱骂游客为例

新的旅游法实施已经接近两年时间，新法对进一步规范旅游市场，保障旅游者的利益提供了重要的法律依据。旅游法的实施一方面对我国的导游人员从业制度有着积极影响，另一方面也不可避免的表现出一定的缺陷性，在新旅游法颁布伊始，众多学者新法抱有很大的乐观态度，然而在实践当中，导游从业人员“任性”违规，侵犯旅游者合法权利的事件却屡禁不止。

基于EDA和回译的导游投诉文本混合增强方法

近年来,使用机器学习算法从导游投诉文本数据中识别出导游违规行为,辅助旅游监管人员工作,为旅游监管提供依据,成为一个必然趋势。然而导游投诉文本存在着语料单一、难以获取等困难,如何对这些导游投诉文本进行文本增强以满足导游违规行为识别需要,是一个迫切需要解决的问题。针对这一问题,提出了一种基于EDA(easy data augmentation)和回译的导游投诉文本混合增强方法。从EDA和回译两个角度对导游投诉文本进行增强,将两种方法返回的增强投诉语料进行混合,得到最终的增强文本;并将该方法在实际的导游违规行为识别系统中进行了应用与验证。通过大量实验对该方法与传统的EDA文本增强方法、回译文本增强方法进行了分析与对比,实验数据表明,基于EDA和回译的导游投诉文本混合增强方法相对于其他两种传统文本增强方法具有更高的准确率和更优秀的文本增强效果,应用在实际的导游违规行为识别系统中得到了87.54%的准确率,相比原始数据集准确率提升了7.4%。