在线评论有用性的深度数据挖掘——基于TripAdvisor的酒店评论数据

发布时间：2023-04-23 10:17

　　在线评论有用性有助于浏览者快速获取有效信息。本文以双重过程理论的启发式—系统式(HSM)模型为理论基础,基于TripAdvisor的酒店评论,采用Word2Vec、LDA和机器学习等方法量化变量,通过多元回归对评论有用性的影响因素进行分析。研究发现:(1)基于HSM模型建立的有用性影响因素理论模型,将影响因素分为启发式和系统式线索。在启发式线索中,评论长度与有用性呈倒U型关系,历史评论数、评论时间、是否有照片存在正面影响,评论者类型不同影响不同;在系统式线索中,所有评论主题、评论负面程度均存在正面影响。(2)采用Word2Vec方法计算零有用票数评论的有用性得分,弥补了有用性量化的缺失;采用表现更优的三种机器学习方法(LR、NB、SVM)进行情感分析,并证明所得情感得分优于评论评分对评论情感的衡量。本文以双重过程理论为框架,系统分析了评论有用性的影响因素,更加准确地解释了顾客酒店体验的真实感受,对评论平台和酒店未来需提升的维度和发展方向有一定的借鉴意义。

【文章页数】：12 页

【文章目录】：
引言
一、文献回顾
    1. 评论有用性
        (1）评论有用性及测量
        (2）评论有用性的影响因素
    2. 双重过程理论（Dual Process Theory）与启发式—系统式模型（HSM)
二、研究假设
    1. 启发式线索
        (1）评论者特征
            (1)评论者个人信息
            (2)评论者类型
        (2）评论定量特征
            (1)评论长度
            (2)评论时间间隔
            (3)评论是否有图
    2. 系统式线索
        (1）评论内容的语义分析
        (2）评论内容的情感分析
三、研究设计
    1. 被解释变量：评论有用性
    2. 解释变量：启发式线索、系统式线索
    3. 模型构建
四、实证分析
    1. 数据来源及数据清洗
        (1）数据来源
        (2）数据清洗
    2. 描述性统计
        (1）评论者特征
        (2）评论定量特征
        (3）词云图
    3. 计算特征值
        (1）有用性得分
        (2）语义得分
        (3）情感得分
    4. 回归结果
五、研究结论与建议
    1. 研究结论
    2. 理论贡献
    3. 管理建议
        (1）对在线评论平台的建议
        (2）对酒店的建议
    4. 研究不足与展望



本文编号：3799516