游客大数据视角下的辽宁省海岛旅游发展研究

探索海岛旅游高质量发展路径,推动旅游业高质量发展是满足游客高品质旅游需求和实现旅游业提质增效,实现可持续发展的必由之路。基于辽宁省海岛旅游大数据,从游客的视角对辽宁省海岛旅游发展进行研究,探索辽宁省海岛旅游的发展路径。结果显示:游客对辽宁海岛旅游的情感态度以正面情绪为主,但辽宁海岛旅游发展还有很大的提升空间;旅游吸引物以资源型为主,自然资源和游客体验吸引力较强,而基础设施与服务、人文旅游资源吸引力较弱;人文旅游资源及基础设施与服务这两个维度吸引力在辽宁省海岛普遍较弱;旅游发展不均衡,空间差异显著。辽宁省海岛旅游总体发展主要集中在大连市长海县。并提出如下解决措施:走文旅融合路线,突出海岛特色和文化特色;创新旅游产品开发策略,完善海岛内基础设施;相关部门要加强市场监管;加强营销宣传力度,创新旅游业高质量发展动能;打造海岛全域旅游网络,建立海岛旅游示范区。

一种潜在特征同步学习和偏好引导的推荐方法

根据用户的历史评分数据为用户提供推荐的商品列表,是目前推荐系统研究的主流.研究者发现,随着用户参与度的不断提高,将反映用户偏好的评论文本与评分数据结合,可以进一步提高推荐的质量.提出了基于潜在特征同步学习和偏好引导的商品推荐方法,将评论文本的主题与用户的“打分偏好”进行关联,同步学习用户评论文本的潜在主题、评分矩阵的用户潜在因子和商品潜在因子,并将潜在主题作为用户个人偏好引导来约束推荐方法对商品的预测打分.该方法对推荐质量的优化主要体现在两个方面:一是在评论文本的潜在主题和评分数据的两种潜在因子之间建立映射关系,同步求解主题模型和矩阵分解模型;二是将从评论文本中学习得到的潜在主题作为用户对商品的个性偏好引入到矩阵分解中,进一步优化推荐方法.在来自Amazon网站的28组真实数据集上进行实验,以均方误差为评价指标,与已有的模型进行了对比分析.实验结果表明,该方法有效减少了推荐误差,与已有的TopicMF方法相比,均方误差在数据子集上最大减少了3.32%,平均减少了0.92%.

融合深度情感分析和评分矩阵的推荐模型

目前,大多数推荐系统都具有评分数据稀疏性的问题,它会限制模型的有效性。而用户对于某件商品撰写的评论中隐含了很多信息,对评论文本进行情感分析并提取关键的因素来用于模型的学习,可以有效地缓解数据稀疏问题,但仅使用评论数据而忽略了评分数据的主要因素会影响推荐精度。对此,为了进一步提高推荐精度,该文提出一个评论文本和评分矩阵交互(RTRM)的深度模型,该模型能够提取评论文本和评分矩阵的深层次特征,并结合它们进行评分预测;其次,通过使用预训练的Electra模型得到每条评论的隐表达,并结合深度情感分析及注意力机制实现从上下文语义层面对评论文本的分析,解决了短文本的语义难以分析的问题;同时,在融合层模块中,用户(物品)评论和评分矩阵进行交互,最终预测出用户对商品的评分;最后,在6组数据集上,采用均方误差(MSE)进行性能对比实验,实验结果表明该文模型性能优于其他系统,且平均预测误差最大降低了12.821%,该模型适用于向用户推荐精确的物品。

基于酒店评论大数据的游客评论主题挖掘与情感分析--以北京五星级酒店为例

分析酒店评论数据可以挖掘游客的关注点、意见、建议、情感倾向等有价值的信息。结合对酒店评论数据进行主题挖掘和情感分析的交叉研究,提出一个包含数据采集、数据预处理、主题挖掘、情感倾向研究及可视化分析的集成框架。以Tripadvisor网站上北京地区50家五星级酒店的5万余条中文评论数据为研究对象,进行LDA主题挖掘,同时基于酒店领域扩充情感词典,判定评论文本三元情感极性,并在此基础上实现主题和情感的交叉分析。研究结果可降低潜在游客购买决策的风险,也为酒店管理者制定针对性的管理和营销策略提供重要参考依据。研究方法同样适用于景区及餐饮领域的在线评论数据分析,拓展评论大数据与自然语言处理技术在旅游业的应用范畴。

融合评论文本层级注意力和外积的推荐方法

在协同过滤算法中,基于评分数据的矩阵分解方法得到广泛应用和发展,但评分数据稀疏性问题影响了该方法的推荐质量。针对此问题,提出一种联合评论文本层级注意力和外积的推荐方法(RHAOR)。采用两个并行网络,分别处理用户评论集和物品评论集。对评论文本的内容应用主题级注意力机制,标记多组带有主题信息的单词(或短语),对评论集应用评论级注意力机制,标记有效的评论。采用外积为用户偏好和物品特征建立外积交互矩阵,并对此矩阵采用多层卷积神经网络提取外积交互特征。将外积交互特征引入改进的潜在因子模型(LFM)中,进行评分预测。实验结果表明,在Amazon和Yelp数据集上,提出的方法在均方根误差(RMSE)上优于传统基于评分和评论的方法。

基于文本挖掘的在线用户追加评论内容情报研究——以京东商城手机评论数据为例

[目的/意义]通过对在线用户追加评论文本内容进行挖掘,有助于电商企业掌握在线用户发布后续评论的普遍时间规律,可以根据追加评论内容特征属性来指导厂家进行商品改进以及辅助用户的购买决策行为。[方法/过程]从内容维度,通过语义特征分析、情感特征分析、词频共现分析和时间特征分析对在线用户追加评论文本分别进行文本内容挖掘。[结果/结论]阐述了在线用户追加评论的内容情报特征及其与初始评论文本语义的关联与差异,揭示了在线用户追加评论行为时间滞后符合幂率分布特征。

融合评分矩阵和评论文本的深度神经网络推荐模型

针对个性化推荐中用户评分矩阵数据集稀疏,用户和项目描述信息未充分利用的问题,提出融合评分矩阵和评论文本的深度神经网络推荐模型(deep neural network recommendation model,DeepRec)。首先将通过数据预处理得到的用户偏好特征和项目属性特征的文本集合分别输入到卷积神经网络进行训练,得到用户和项目的深层次非线性特征,同时将评分矩阵输入多层感知机得到用户偏好隐表示,并对两种模型提取的用户偏好隐表示进行融合;其次利用多层感知机建模用户和项目隐表示对用户进行个性化推荐;最后基于三组数据集以均方根误差为评估指标进行对比实验。结果表明DeepRec的预测误差更低,有效提高了推荐的精准度。

基于文本挖掘的速卖通平台女性消费者连衣裙偏好分析

产品的开发设计是企业开展跨境电商的第一步,也是跨境电商能否成功的最重要因素。在网络销售平台中,连衣裙作为女装的一个主要类目,在各销售平台的搜索量和销售量都占据了重要比例。客户评论数据是客户对于产品最直接的反馈,差评更是线上抱怨言语行为的最好体现。选取连衣裙为研究对象,通过爬取速卖通平台上销量前60的连衣裙,研究其产品属性,并对其评论数据及差评数据进行文本挖掘,从而分析得出速卖通平台上女士连衣裙消费者偏好,为开展跨境电商销售的商家进行连衣裙产品的选品和开发设计提供参考,同时为企业开展跨境电商业务提供思路。

基于网评文本的LDA游客目的地印象分析

随着大数据时代的到来及人民生活水平的不断提高,旅游业迅速发展。鉴于游客满意度直接影响目的地美誉度,有必要对游客目的地印象进行分析。本文根据文本分析理论,首先对“泰迪杯”挑战赛官网、穷游网的网评文本数据进行数据预处理,再用Jieba库分词,接着用TF-IDF算法提取关键词,根据Kmeans得出聚类中心,结合KNN算法将其分类,最后用LDA模型进行主题分析并映射为特征需求。实验结果表明,游客主要关注目的地的服务、位置、设施、性价比、卫生,根据特征需求了解游客偏好,据此对旅游企业健康持续发展提出三条有益建议,有助于优化旅游资源配置,提高游客满意度和提升目的地美誉度。

垃圾商品评论检测研究综述

商品评论对消费者的购买意愿有明显导向作用,欺诈者可杜撰评论来过度褒奖或恶意贬低商品,以此来促进己方或是打击对方的商品销售,垃圾商品评论检测成为了一项迫切需要的技术。首先将相关研究分为以评论内部(文本特征)为中心和以评论外部(文本特征)为中心的两大类,然后分别综述它们在特征选择、学习方法上的研究进展,并介绍了垃圾商品评论检测领域的常用评论数据集,在此基础上,展望了该领域的热点研究方向。

基于文档向量和回归模型的评分预测框架

个性化推荐系统可以帮助用户在海量的项目集合中找到他们喜爱的项目,其被广泛地应用于岗位推荐系统、电子商务网站以及社交网络平台中。文章提出了一个基于文档向量和回归模型的评分预测框架,它利用文档向量表示模型将非结构化的评论文本用相同维度的向量表示,进而构造出刻画用户和产品的特征向量,最终融合多个回归模型进行评分预测。在基于真实的数据集上的实验表明,与基准模型相比,其显著改善了数据稀疏情况下评分预测的准确性。

基于评论数据的文本关键词提取和可视化方法

针对大数据时代,各业务评论数据的增长速度前所未有,阅读耗时且难以把握关键内容,数据普遍存在杂乱无章、内容量大以及价值信息难提取等问题。因此,提出基于评论数据的文本关键词提取和可视化方法。通过网络数据爬虫技术采集商业旅游网站景点评论数据,从Pythonjieba分词工具包里导入文本提取功能,再采用TextRank算法对景点评价词汇进行处理,提取热度关键词和权重值,最后经Echarts图进行展示,形成词云图,通过看图直接掌握文本重要内容,可节省大量的阅读时间。

图文决策融合的多模态电商垃圾评价检测

现有的电商垃圾评价检测方法大多基于对评价文本信息进行分析,难以有效检测带有图片的多模态垃圾评价,为充分利用评价的图片和文本内容,提出了基于Transformer双向编码表示(bidirectional encoder representations from transformer,BERT)和宽残差网络(wide residual networks,WRN)的图文融合决策检测方法。该方法利用评价文本对经过预训练的BERT模型进行微调训练,经过表示学习分类得到文本评价类别向量,使用宽残差网络对评价图片进行特征提取和分类并输出图片类别向量,将得到的对应评价图文类别向量共同输入启发式决策融合分类器,对多模态评价整体进行预测分类。使用真实电商评价数据集进行实验表明,相比面向评价文本的分类方法,图文融合决策检测方法对多模态评价分类的精准率提高4.44%,召回率提高2.12%,Micro-F1提高3.67%,结果证实该方法能够对多模态垃圾评价进行有效检测。

大数据环境下同行评议面临的问题与对策

[目的/意义]梳理同行评议发展脉络,分析当前同行评议面临的问题,进而提出科学合理的应对之策。[方法/过程]首先从同行评议起源、传统同行评议模式、开放同行评议、同行评议文本挖掘四方面梳理同行评议发展脉络,并以Web of Science核心库中收录的同行评议模式文献数据为例,分析学者对同行评议模式的研究变化趋势;随后,对Elsevier旗下2426种期刊使用的同行评议模式进行统计,分析同行评议模式的实际应用情况。其次,根据国家统计局发布的中国创新指数、中国知网2000—2019年间收录的图书馆、情报与文献学领域的题录数据,从科研文献数量增长、研究主题演化以及潜在评审专家数量变化角度分析当前同行评议工作面临的问题。最后,根据分析结果,提出从构建学术质量评估系统、精准构建学者画像、量化学者在同行评议中的贡献三个方面应对在大数据环境下同行评议面临的困境。[结果/结论]在科研文献数量不断增长、研究主题不断拓展、评审专家数量增长放缓的情形下,同行评议面临的挑战与日俱增。通过发展脉络梳理、研究趋势与应用现状总结、挑战与策略分析,能够加深对同行评议的认识;提出的方案能够在一定程度上缓解日趋严峻的同行评议工作,具有一定的应用价值。[局限]由于数据获取难度大,文章使用的数据不够全面,所提出的对策尚未开发出验证系统。

农产品电商平台评论文本数据挖掘技术的方法研究

近年来,随着互联网和电子商务的快速发展,农产品电商平台已经成为农产品流通的主要渠道之一。消费者通过在平台上发布评论来表达对产品和服务的看法,针对这些评论进行数据挖掘可以为平台的优化提供有价值的信息。文章基于农产品电商平台的评论文本数据,探讨了一种针对该领域的数据挖掘方法,包括文本清洗、特征提取和情感分析3个步骤。实验结果表明,该方法可以有效地抽取评论中包含的信息,为平台的发展提供指导。该研究可为从事电商评论数据挖掘的学者和从业者提供一种新的思路和参考。

Construction of an ontology-based nursing knowledge system

This study proposes the establishment of a knowledge-system ontology in the nursing field. It uses advanced data mining techniques,digital publishing technologies, and new media concepts to comprehensively integrate and deepen nursing knowledge and to aggregate sources of knowledge in specialized technical fields. This study applies all forms of media and transmission channels, such as personal computers and mobile devices, to establish a knowledge-transmission system that provides knowledge services such as knowledge search, update retrieval, evaluation, questions and answers(Q&As), online viewing, information subscription, expert services, push notifications, review forums, and online learning. In doing so, this study creates an authoritative and foundational knowledge service engine for the nursing field, which provides convenient, flexible, and comprehensive knowledge services to members of the nursing industry in a digital format.

融合双重注意力机制的多源深度推荐模型

针对评分数据稀疏导致协同过滤算法推荐质量下降的问题,通过充分挖掘评论信息增强推荐性能,提出了一种融合双重注意力机制的多源深度推荐模型(MSDA)。该模型基于评分数据、用户评论集和商品评论集3个信息源进行推荐,结合卷积神经网络和双重注意力机制挖掘评论文本特征,利用神经因子分解机进行评分和评论特征之间的高阶非线性交互,从而实现评分预测。实验结果表明,相比于NeuMF、NARRE、HRDR等先进基准方法,MSDA显著提升了模型的评分预测性能。

基于物品描述和评论的多粒度注意力机制的推荐

本研究针对传统推荐系统依赖评分信息、面临数据稀疏性的局限,以及深度学习模型的可解释性不足,提出了一种融合评分数据和文本信息(评论、物品描述)的多粒度注意力机制的推荐模型(Multi-Grained Attention Recommendation,MGAR)。本文采用两个并行的卷积神经网络(CNN)分别处理用户和物品的评论与描述,并通过词级、短语级和句子级的注意力机制来提取不同层次的语义信息,实现评论文本的深度融合,从而更有效地捕捉用户偏好和物品特性。在Amazon上的4个子数据集的实验结果表明,本文提出的模型在预测准确度上均优于传统的基于评分的推荐模型和近年来流行的DeepCoNN模型。

基于评论数据的文本语义挖掘与情感分析

【目的/意义】基于互联网海量评论数据进行情报分析,挖掘出影响客户服务评价和满意度的关键因素,了解客户差评背后的原因,对提升企业客户关系管理水平具有重要意义。【方法/过程】通过词云图、语义网络特征关联分析、LDA主题模型的特征分析以及基于语义的情感词典方法,基于百度口碑中十家快递企业的客户评论数据进行了情感计算与分析。【结果/结论】影响客户情感倾向的主要因素为:物流速度、服务态度、电话服务、投诉处理、物流信息更新、时效性以及收费价格。基于上述结果提出了对策与建议。【创新/局限】基于现实世界真实数据,采用数据挖掘方法分析客户情感倾向,为客户情感关键影响因素识别提供了数据科学的研究范式。