基于数据挖掘的旅游目的地印象分析和评价研究

摘要：旅游目的地美誉度是旅游企业和政府部门关注的热点。文章数据来自“泰迪杯”数据挖掘挑战赛的数据集。首先分析景区及酒店数据，得到Top热词及频率。然后根据LDA主题模型构成主题词典，根据主题词对每个景区酒店进行匹配得出概率值，结合熵权法计算综合得分。使用TF-IDF算法分析景区及酒店网评的有效性，利用K-means算法对景区及酒店聚类分析，得到高中低不同档次群，结合热词算法得到每个类别的特征。最后结论表明影响游客满意度的因素主要有5个方面，分别是服务、位置、设施、卫生、性价比，特别是卫生环境影响较大。政府部门和旅游相关企业可重点在这5个要素方面下功夫，为游客创造舒适的消费体验，达到吸引游客、提升竞争优势的目的。

关键词：TF-IDF算法；熵权法；K-Means；旅游目的地；美誉度

中图分类号：TP311 文献标识码：A

文章编号：1009-3044（2025）05-0054-04 开放科学（资源服务） 标识码（OSID） ：

0 引言

旅游业已成为国民经济的重要支柱，提升旅游目的地形象至关重要。提升景点、酒店等旅游景点的知名度，已经成为当地文旅管理部门和相关企业的重要任务，关系到如何稳定客流、发挥同行优势，吸引更多游客进行消费。

本文主要研究旅游目的地的景区及酒店的印象分析和评价，通过对数据集中的景区及酒店网评文本分析，围绕游客印象因素建立模型，提炼特色并综合评价景区和酒店。论文按数据预处理、数据分析、建立模型，得出结论等步骤实现。首先利用Python的数据分析函数和相关模块，实现数据清洗等预处理，然后从景区酒店的评价、网评的有效性、特色分析等方面展开数据挖掘研究。分析影响目的地游客满意度的因素，向相关部门和公司提出合理化建议，能有效地提高游客满意度，最终提高目的地的声誉。

1 算法介绍

1.1 TF-IDF 算法

词频是指文本中词条的频率。通常来说，某个词在文档中出现的词频越高，则在文档中的权重越高，成为关键词的可能性越大[1]。逆向文件频率[2]：对于一个词，可以用文档总数来除以包含这个词的文档数量，将得到的商取得对数算出IDF。高权重的TF-IDF 值能剔除常见的词，保留重要的词。

1.2 LDA 主题模型

文档主题生成模型[3]由3层结构组成，包括词、主题和文档。通过无监督的学习方法发现文本中隐含的主题信息，目的是要以无指导学习的方法从文本中发现隐含的语义维度。它是一种无监督的文档主题生成模型，认为一篇文章的每个词都是通过“以一定概率选择了某个主题，并从这个主题中以一定概率选择某个词语”这样一个过程，这些主题被集合中的所有文档所共享，每个文档有一个特定的主题比例。

1.3 K-means 聚类

K均值聚类也被称为一种快速聚类算法，它基于最小化误差函数将数据划分为预定类数数量k。该算法通俗易懂，易于处理大量数据。

K-means[4]的算法步骤为：

1） 从数据对象中任意选择k个对象作为初始聚类中心a = a1，a2，...，ak。

2） 根据每个聚类对象的均值中心对象，计算每个对象与这些中心对象的距离，并根据最小距离重新对相应对象进行划分。

3） 重新计算每个有变化聚类的均值中心对象。

4） 重复上面2、3两步操作，直到每个聚类不再发生变化为止。

2 数据分析及挖掘模型构建

2.1 景区及酒店的印象分析

酒店和景区各50家，酒店评论共25 226条，景区评论59 107条。利用Python的pandas库，Jieba分词等实现数据预处理。去除重复评论、英文、数字及特殊的标点符号后，酒店评论有22 789条数据，占原数据的90.3%，景区评论有58 411 条数据，占原数据的98.8%，可以进行数据挖掘。本文结合中文停用词列表和百度停用词列表，从文本中剔除离、都、很、比较等停用词。景区、酒店的评论内容用Pandas 中的GroupBy分组函数进行聚合并读取进来，在循环中进行对每一家的评论进行分词、过滤停用词、写入列表final，用Counter 将final 转化成词典，用counts.items（） 进行词频统计，然后根据词频用sorted（）进行降序排序，读取前20热词与热度，写入以每家酒店、景区命名的.csv文件。如图1和图2所示。从图中可以看出，A30景区评论集中在动物和动物园等词，H13酒店侧重在服务和早餐等方面。

2.2 景区及酒店的综合评价

本模块通过评论文本进行分词，利用LDA 主题模型对每个主题的300个主题词进行输出，提取主题词。根据读取出的单词来进行挑选，将挑选出的词作为景区主题的词典。同理，酒店也可以这样获得主题词典。再借助陈天琪等[5]对景区评价和缪章伟等[6]对酒店评价主题归纳的结果，对景区及酒店评价的相关主题词进行了扩充和丰富，分别归纳景区和酒店的评价维度和具体分类下的主题词。景区的主题词典如表1所示。

对景区酒店各个指标进行匹配统计，再与总数相除得出概率值写入Excel表格。根据景区酒店每个指标的概率对各个酒店景区进行打分，得分结果在0～5 之间。通过用熵权法，对景区酒店的得分进行比值归一化处理，计算各个指标的熵值，计算权系数得出酒店景区的指标权重如表2所示。

因此，可以使用熵权法计算出的权值乘以对应的指标得分计算出综合得分。计算出的得分结果保留两位小数，部分结果如表3所示。

2.3 网评的有效性分析

经过之前的文本脏数据处理，得到了一个较为“干净”的文本数据。文本的有效性[7]是用户接收评论信息的效率。本文采用sklearn中的TF-IDF算法辅助提取关键词根据。需要将文档进行归并，再利用pan⁃das实现。然后，通过文本分词、过滤停用词，最后利用TF-IDF算法生成一个TF-IDF值得矩阵。 通过每个TF-IDF值来确定每个酒店或景区评论文本中的关键字。根据TF-IDF的值来进行排序，封装了一个sort（）排序函数，返回前30的热词，并保存文档，如图3所示。根据汉明距离算两个文本的相似度，设定阈值确定是否需要去重。因此可去除文本中的模糊不清、相似的评论。

2.4 景区及酒店的特色分析

2.4.1 聚类分析模型构建

构建K-Means聚类分析模型[8-10]，实现细粒度的酒店及景区划分排名，并采用高、中、低3个档次对它们进行分组，以此种方式进一步减少游客选择上的麻烦。

利用sklearn中的函数完成K-Means的计算。计算的结果如图4和图5所示。景区的聚类雷达图中景区群1在服务得分较高，短板在卫生。酒店的聚类雷达图中酒店群2和群3的得分相对平均，群1的其他得分较低，但性价比优势明显。

2.4.2 结果分析

根据K-Means算法，可以得到3个特征分布清晰的聚类，如表4所示。

景区群1属于档次比较高，通过计算该组是5个，景区群3属于中等档次，有27家，低档的景区群2有18家。可以看出景区中高档的占据大多数。高档酒店21家，中档酒店23家，低档的只有6家，反映出景区附近酒店的评价整体较高。从每个景区酒店分出的每个聚类中都选择1个对象，并结合关键词表来代表整个类别的特征项，如表5和表6所示。

分析高层次景区热词表可知，A39景区以动物园为特色，值得游玩；环境好，空气清新；有动物表演，小朋友很开心，适合小朋友游玩。A36景区以陶艺为特色，带有历史风貌；可以了解制作、烧制陶瓷的工艺，有明清的陶瓷以及陶瓷博物馆。A25景区以温泉为特色，环境舒适；带有日式服务，可以吃自助餐。水质干净，水果不错。

分析高层次酒店热词表可知，H04 酒店以亲子房、乐园游玩为特色，服务好；环境好，有水上亲子间，父母可以跟孩子游玩乐园、游泳；设施好，值得入住。H35酒店以服务好、环境好为特色，房间干净，服务好；出现事故，能及时沟通，有应急处理方式，有维权。H39酒店以地理位置好、出行方便为特色，服务好、这家酒店性价比对游客来说适合优先考虑；有停车场，有大巴车停靠，靠近机场，四通八达；提供小吃，卫生干净，靠近步行街可以购物。

3 总结

随着网络技术的快速发展和旅游业信息的高度密集，在线评论平台上出现了大量以评论和游记等为形式的非结构化数据，传统的调研方式已无法满足如今动辄上万的数据挖掘需求。本文利用LDA模型构建主题词典，TF-IDF算法分析景区及酒店网评的有效性，最后利用K-means算法对景区及酒店进行特色分析。从结论中可以看出景区的特色、服务更能吸引游客，酒店的地理位置、服务卫生等配套设施直接影响顾客满意度。由于本文的数据量有限，挖掘分析和评价的准确度还有待改进。本文的研究结论可为相关部门和公司提出合理化建议，如旅游目的地的酒店需要重视卫生环境的管理，通过科学检测装备和手段落实管理指标。通过对游客群体划分，制订符合不同群体需求的消费模式，提升酒店和景区的盈利同时，还能有效地提高游客满意度，最终提高目的地的美誉度。

参考文献：

[1] 常耀成，张宇翔，王红，等.特征驱动的关键词提取算法综述[J].软件学报，2018，29（7）：2046-2070.

[2] YI LIU， BAO JIGANG， ZHU YILING. Exploring emotion meth⁃ods of tourism destination evaluation： A big-data approach[J].Geographical Research， 2017，36（6）：1091-1105.

[3] AREFIEVA V，EGGER R，YU J.A machine learning approachto cluster destination image on Instagram[J].Tourism Manage⁃ment，2021，85：104318.

[4] 王千，王成，冯振元，等.K-means聚类算法研究综述[J].电子设计工程，2012，20（7）：21-24.

[5] 陈天琪，张建春.基于文本挖掘的景区旅游形象感知研究：以杭州西溪国家湿地公园为例[J].资源开发与市场，2021，37（6）：741-746.

[6] 缪章伟.酒店顾客满意度评价体系研究：基于Tripadvisor.com的杭州高星级酒店评论数据[D].杭州：浙江工商大学，2019.

[7] 尹丽，颜欣，田良.基于网络文本分析的旅游目的地形象感知研究：以三亚市为例[J].特区经济，2019（1）：100-102.

[8] 段锐，邹统钎，梁未哲.大数据环境下的旅游目的地形象研究综述：数据、方法和技术[J].旅游导刊，2023，7（5）：66-93.

[9] 顾渐萍，王远斌，刘贵文，等.基于文本大数据的游客旅游意象感知挖掘研究：以重庆市为例[J].现代城市研究，2019，34（12）：117-125.

[10] IKOTUN A M，EZUGWU A E，ABUALIGAH L，et al.K-meansclustering algorithms：a comprehensive review，variants analy⁃sis，and advances in the era of big data[J].Information Sciences，2023（622）：178-210.

【通联编辑：梁书】

基金项目：基于数据挖掘的旅游目的地印象分析（2024YB012）