基于LDA模型的旅游市場需求分析

文/關(guān)海楨，包莞暉，羅正，禤世麗

本文以茂名市旅游產(chǎn)品為對象采集了樣本數(shù)據(jù)，并運用TF-IDF算法和LDA主題模型求得樣本數(shù)據(jù)的樣本相似度，進行文本分類和數(shù)據(jù)預(yù)處理；運用TextRank算法提取了微信公眾號等平臺有關(guān)旅游產(chǎn)品的數(shù)據(jù)；采用關(guān)聯(lián)性規(guī)則Apriori算法對提取的數(shù)據(jù)進行關(guān)聯(lián)度分析，進而明確旅游產(chǎn)品之間的聯(lián)系。

隨著互聯(lián)網(wǎng)的發(fā)展，國內(nèi)旅游產(chǎn)業(yè)逐漸進入“大智慧旅游”和“智慧旅游2.0”時代，網(wǎng)絡(luò)評論成為游客表達旅游感想的新形式。但網(wǎng)絡(luò)評論數(shù)量龐大、內(nèi)容繁雜，游客面對海量的網(wǎng)絡(luò)評論，很難快速找出適合自己的旅游主題和旅游產(chǎn)品?；诖耍疚慕Y(jié)合多種數(shù)據(jù)處理與分析手段，以期明確旅游市場的真實需求。

一、算法與模型簡介

（一）TF-IDF算法

TF-IDF算法的主要邏輯是：如果某個詞語或短語在一篇文章中出現(xiàn)的頻率（TF）高，并且在其他文章中很少出現(xiàn)，則認為該詞或者短語具有很好的類別區(qū)分能力，適合用來分類。[1]TF-IDF算法表達式如下：

式中，各參數(shù)的具體含義如表1所示。

表1 TF-IDF算法中各參數(shù)含義

（二）LDA主題模型

LDA主題模型是由布萊（Blei）等人在2003年提出的一種無監(jiān)督的主題模型，這是一個文檔生成概率模型。[2]LDA指的是隱含狄立克雷分布，主題模型則是指基于無監(jiān)督學(xué)習(xí)的方法對文檔隱含的語義結(jié)構(gòu)進行聚類的一種模型。

（三）TextRank算法

TextRank算法是一種用于文本的基于圖的排序算法。[3]TextRank算法的基本邏輯是：通過把文本分割成若干組成單元并建立圖模型,利用投票機制對文本中的重要成分進行排序,僅利用單篇文檔本身的信息即可實現(xiàn)關(guān)鍵詞提取[4],獲得比較高分的N個單詞作為文本關(guān)鍵詞。TextRank算法的計算公式如下：

式中，各參數(shù)的含義如表2所示。

表2 TextRank算法計算公式各參數(shù)含義

（四）Apriori算法

Apriori算法是一種挖掘關(guān)聯(lián)規(guī)則的頻繁項集算法，其核心邏輯是通過候選集生成和情節(jié)的向下封閉檢測兩個階段來挖掘頻繁項集。[5]在使用Aprior算法時，使用者需要先找出support≥min_support的 頻 繁項集，之后在頻繁項集中生成強關(guān)聯(lián)規(guī)則。

二、數(shù)據(jù)分析

（一）數(shù)據(jù)準(zhǔn)備

本次分析的數(shù)據(jù)來源于5個數(shù)據(jù)集。其中包括50篇游記攻略，共計采集到450條數(shù)據(jù)，涉及9個指標(biāo)；50篇酒店評論，共計采集到300條數(shù)據(jù)，涉及6個指標(biāo)；50篇景區(qū)評論，共計采集到150條數(shù)據(jù)，涉及3個指標(biāo)；50篇餐飲評論，共計采集到200條數(shù)據(jù)，涉及4個指標(biāo)；80篇微信公眾號文章，共計采集到160條數(shù)據(jù)，涉及2個指標(biāo)。

（二）數(shù)據(jù)預(yù)處理

本文首先使用Jieba詞庫對采集到的數(shù)據(jù)進行預(yù)處理。文本分詞結(jié)束后，本文利用“哈工大停用詞表”去除停用詞。隨后使用TFIDF相似度模型對處理后的數(shù)據(jù)進行粗加工，對分詞后的文件進行第一遍相似度檢驗，最后采用LDA主題模型對分詞后的數(shù)據(jù)做精準(zhǔn)度更高的第二遍相似度檢驗。

（三）提取旅游產(chǎn)品數(shù)據(jù)

本文基于酒店評論、景區(qū)評論和餐飲評論，通過直接匯總的方式得出旅游產(chǎn)品。以游記攻略為例，本文主要對攻略中展示的旅游產(chǎn)品進行提取。在此過程中，本文利用python（計算機編程語言）從附件提供的OTA（空中下載技術(shù)）、UGC（用戶原創(chuàng)內(nèi)容）數(shù)據(jù)中提取景區(qū)、酒店、民宿、特色餐飲、鄉(xiāng)村旅游等旅游產(chǎn)品的實例和其他有用信息；同時利用PandasDataFrame.columns算數(shù)運算，使行、列標(biāo)簽上的數(shù)據(jù)全部預(yù)處理，并進行分詞、重組之后，最終整理出6286條數(shù)據(jù)，匯總成一份9469行×5列的表格，部分內(nèi)容如表3所示。

表3 部分餐飲旅游產(chǎn)品提取表

（四）熱度分析

1.統(tǒng)計情感得分

考慮到中文情感分析庫（cnsenti）能夠?qū)ξ谋具M行情緒分析、正負情感分析，本文通過其Sentiment正負情感計算類功能進行計算，以統(tǒng)計相關(guān)旅游產(chǎn)品的情感得分（正向為1分，負向為-1分，中性為0分）。該功能支持正負情感詞典自定義，并且可以利用hownet情感詞典對文本中的正、負面詞語進行統(tǒng)計。

2.按年份統(tǒng)計旅游產(chǎn)品出現(xiàn)的次數(shù)

旅游產(chǎn)品出現(xiàn)的頻次在一定程度上反映了該產(chǎn)品的受歡迎程度。本文按年份統(tǒng)計了采集數(shù)據(jù)中各類旅游產(chǎn)品的出現(xiàn)次數(shù)，得出如下結(jié)果：2018年980次，2019年1228次，2020年2124次，2021年5137次。在此基礎(chǔ)上，本文將旅游產(chǎn)品的情感得分和出現(xiàn)頻次相加，最終得出旅游產(chǎn)品熱度。根據(jù)相關(guān)數(shù)據(jù)可知，熱度排名前五的旅游產(chǎn)品均是來自2018年餐飲評論中被多次提及的清香面包店（車田街店），其熱度總分為175分。

（五）分析產(chǎn)品的類型

為了進一步提高旅游產(chǎn)品熱度的準(zhǔn)確度，本文還做了如下處理。（1）對旅游產(chǎn)品熱度得分表的文本進行分詞和去停用詞處理；（2）對旅游產(chǎn)品熱度得分表的文本進行排列；（3）根據(jù)不同的年份去除旅游產(chǎn)品熱度得分表中的重復(fù)項。經(jīng)過處理后，本次旅游產(chǎn)品（部分）的類型如表4所示（部分）。

表4 部分旅游產(chǎn)品類型表

（六）計算相關(guān)度和關(guān)聯(lián)度

1.計算相關(guān)度

在相關(guān)度計算過程中，本文借助TF-IDF（詞頻與逆向文件頻率）模型和LDA（聚類分析）主題模型對微信公眾號文章進行分類，并根據(jù)其內(nèi)容與文旅的相關(guān)性把微信公眾號文章劃分為“相關(guān)”和“不相關(guān)”兩類（見表5）。

表5 部分微信公眾號文章相關(guān)與不相關(guān)結(jié)果分析表

2.計算關(guān)聯(lián)度

在計算相似度的基礎(chǔ)上，本文以樣本集的旅游產(chǎn)品為基礎(chǔ)進行one-hot編碼（狂熱編碼），并將編碼轉(zhuǎn)化為字符串，通過“支持度（數(shù)據(jù)集D中觀測到的含有A所有項的比例，其表示的是項集{X,Y}在總項集里出現(xiàn)的概率）乘以10作為關(guān)聯(lián)度”這一公式計算關(guān)聯(lián)度，（部分）計算過程如圖1所示。圖中，每一個藍色圓圈都代表一個旅游點，圓圈與圓圈間的連線則代表不同旅游點之間的關(guān)聯(lián)性。連接線越多，說明該旅游點的支持度總和越大、置信度越高、關(guān)聯(lián)規(guī)則越強。

三、結(jié)論與建議

（一）結(jié)論

本文基于Python和大數(shù)據(jù)分析了茂名市旅游產(chǎn)品之間的關(guān)聯(lián)度，結(jié)果顯示，茂名市景點和景區(qū)之間相互帶動，酒店和特色餐飲之間相互促成，游客對于某種旅游產(chǎn)品的選擇和喜愛會間接影響對另一種旅游產(chǎn)品的選擇。在這各種關(guān)聯(lián)性的影響下，茂名市的旅游產(chǎn)業(yè)蓬勃發(fā)展。

（二）建議

當(dāng)下，旅游行業(yè)需要打破常規(guī)開辟新思路。旅游產(chǎn)品之間普遍存在關(guān)聯(lián)性，一個有特色的景點可以帶動周邊旅游產(chǎn)品的發(fā)展，進而提升景區(qū)的知名度。從長遠角度來看，景區(qū)可以推出特色游覽價格，讓利于民；酒店可與本地特色餐飲店聯(lián)合，共同推出優(yōu)惠套餐，吸引游客體驗；特色的旅游產(chǎn)品可以通過連帶關(guān)系帶動著小眾旅游產(chǎn)品吸引游客關(guān)注，從而促使當(dāng)?shù)芈糜萎a(chǎn)業(yè)平衡發(fā)展。