基于游记主题挖掘与表达的旅游信息推荐研究

吕琳露+李亚婷

[摘要][目的/意义]针对在线旅游平台，提出一种挖掘游记主题标签，以代表性游记以及其中相关内容进行旅游信息推荐的新策略。[方法/过程]在利用文本挖掘技术，构建LDA主题模型，形成游记文本主题标签的基础上，通过游记代表度算法，筛选出针对相应标签的高描述度与高忠诚度游记进行旅游信息推荐，以客观表达文本聚类结果以及主题词之间的语义关系，并以蚂蜂窝旅游网中的“杭州游记”为例，加以验证。[结果/结论]结果表明，这种方式能挖掘出旅游者在历史旅游经历中真实的旅游热点及重点信息需求，针对高相似度游记的识别与聚类具有良好效果，对旅游信息细粒度推荐具有指导意义与实践意义。

[关键词]在线旅游平台；游记；信息推荐；信息服务；文本挖掘

D0l：10.3969/j.issn.1008—0821.2017.06.010

[中图分类号]G254 [文献标识码]A [文章编号]1008—0821（2017）06—0061—07

网络游记作为人们获取旅游信息的重要来源之一，已经成为一种传递旅游信息的网络口碑，帮助并影响着旅游者的决策行为。在此背景下，游记资源的组织和整合对于在线旅游平台中的信息序化以及信息推荐策略研究具有重要意义。如今，在线旅游平台对于游记资源供用户筛选的条件大都局限于人均花费、行程天数、出发时间、和谁出行等属性，不足以满足用户对更具针对性游记的检索需求，完善游记信息序化机制，提出更有效的信息推荐策略成为旅游网站发展过程中的一种切实需要。

由此，本文针对在线旅游平台，提出一种借助文本挖掘技术来提取游记标签，并筛选出代表性游记，提取相关内容以进行旅游信息推荐的新策略。研究利用LDA模型对游记文本进行主题识别与分析，然后将提炼出来的特征词作为游记的主题标签，根据从中自主选择的标签形成了游记文本的聚类，最后采用代表性游记客观表达带标签文本的内容，实现科学推荐的目的。

1相关研究

回顾相关文献，学者们对于网络游记文本挖掘，主要将其应用在对旅游目的地的形象感知和情感分析、游客行为特征的发现以及旅游推荐系统的优化中。而以旅游信息推荐为中心的研究，除了对在线旅游平台中旅游产品营销策略的探索，学者们主要着眼于旅游信息推荐算法的改进，分析如何优化相关算法来提高推荐效率和准确率，重点集中在利用日志信息和交互信息以及用户行为数据，包括访问记录、浏览与购买行为、时空数据、旅游游记等，以进行个性化旅游信息推荐。

到目前为止，针对在线旅游游记的推荐研究较少，存在很大的探索空间。相较有参考意义的有：Ji利用游记中的照片和地点信息，建立了一个包含“用户一景点一照片”的层次化的图结构，并对景点、用户和照片进行排序，随后又对其进行了延伸，在进行景点排序后，采用稀疏重构方法提取景点的代表性照片；Hao等采用概率图模型对旅游游记进行建模，提出游记中的词汇属于背景话题模型和地点特有的话题模型两大类，并以此进行游记特征词的抽取；马艳艳肯定了旅游网站中游记分享社区的现实价值，并通过对旅游网站中游记专辑制作和分享展示的具体功能设计，阐述了对游记资源进行组织与整合的基本方法；诸葛菲提出了在线旅游服务中的众包信息推荐模型，该方法基于旅行者隐式行为，针对某一旅游需求，将所有众包旅游方案中与需求相似度最大的方案作为最优结果推荐给用户。

综上，虽然学者们已经注意到了游记资源在旅游信息推荐中的重要性，部分研究实现了从游记中挖掘相关知识以创新旅游信息服务，但少数研究将研究重点直接立足于游记本身的推荐上，基于此，本文通过对网络游记文本进行主题建模获得游记主题标签，根据标签组合形成文本聚类，并筛选出代表性游记进行旅游信息推荐，即从游记文本出发最终回归到游记进行信息表达，实现客观、科学的推荐策略。

2研究设计与方法

本文通过网络爬虫获取研究样本区域的游记文本，然后对文本进行预处理，包括设定自定义词表、分词和去停用词等，将文本向量化；随后构建LDA主题模型，得到游记数据集中的主题概率分布，并对所识别发现的高频特征词进行人工分析与描述，形成文本主题的相关标签；最后，通过对每篇游记于用户根据需要设定的标签的描述度、忠诚度和代表度的计算，得到相应标签的代表性游记及相关内容。

2.1数据采集及预处理

本文采用MetaStudio和DataScraper网页信息抽取工具，以蚂蜂窝旅行网（http：∥www.mafengwo.cn）为例，在网站上用“杭州”作为目的地标签搜集相关游记，采集的内容包括游记的全部文本以及相关属性，采集时间为2016年10月13日至2016年10月14日，共计1005条数据。

由于游记中语义表达方式多样，本文结合携程旅游网、蚂蜂窝旅行网和猫途鹰旅行社区提供的杭州地名信息以及其他相关词汇信息，以最少匹配为原则，人工对词表进行统一处理，最终得到杭州主题相关词表（1433个）。基于此，通过正则表达式去除游记中的链接、表情符号等噪音信息后，采用Python的Jieba分詞包，对数据样本进行分词处理，保留各个游记的名词、形容词以及自定义词表中的词汇，并去除停用词，最后得到表1所列数据集合。

2.2游记文本主题挖掘

借助Python工具，本文运用主题建模中最基本的模型LDA（Latent Dirichlet Allocation），挖掘隐藏在游记文本内的潜在主题，并对高频特征词进行人工分析与描述，以此得到文本主题标签。在LDA建模过程中，采用MCMC（Markov Chain Monte Carlo）中的Gibbs算法对IDA模型的参数进行近似估计。其中，本文将狄利克雷函数的先验参数α和β设置为经验值，分别为α=50/K，β=0.01，而主题个数K则利用层次狄利克雷过程（Hierarchical Dirichlet Processes）进行分析确定。

2.3代表性游记及相关内容的选取

崔雷等在研究中以TF-IDF为方法学基础，提出了选取代表性论文来表示某一学科主题高频词共现聚类分析结果的方法。基于此，本文通过计算P_i游记对标签组C_j的描述度和对C_j内容表达的专指性，对每篇游记的代表度进行度量最后进行降序排列以得到相应的代表性游记。具体步骤如下：

最后，对所选定的代表性游记，提取含有标签组合中主题词的所有句子，得到关于各个标签主题词的针对性内容。

3游记主题词提取

针对数据预处理得到的分析样本，利用层次狄利克雷过程算法，采用Python的Gensim工具包，对LDA模型中的主题个数进行预判，得到K=149。進而构建LDA模型，抽取前10个聚类主题，每个主题下生成20个最有可能出现的词语以及相应的概率。由于LDA模型为概率生成模型，每一次得到的识别结果有所差别，表2展示了其中一次实验中的前5个聚类结果。综合实验结果得，不同主题聚类间的特征词相似度高，且大多分布在旅游景点相关名词。由于游记是旅游者基于自身旅游体验主动发表的文本，主要描述了旅游过程与感受，蕴含着明显的行程规划信息，因此文本主题多为景点地名及其他相关名词符合游记文本的语言特点。同时，也表明了游记文本的主题十分集中，实验样本之间的相似度很高，正鉴于此，需要对文本内容进行细粒度的识别和表达，才能更准确高效的从繁多的信息中筛选出对用户而言价值更高的游记。

本文对上述LDA实验过程重复10次，并对得到的高频特征词及其分布概率进行人工分析与判读，过滤语义性弱以及重复的特征词，得到文本的特征标签词表（共108个），如表3所示。其中，这些主题词主要可分为4类：①相关城市名称，如上海、苏州、南京等，对包含这些城市名的游记进行探析发现，其语义关系多为游客行程安排中涉及的旅游出发地与目的地，也就是说一方面从这些城市到杭州旅游的游客居多；另一方面人们在游玩杭州时，常同时将这些城市也安排在旅行计划中；②旅游景点名称，如千岛湖、西湖、灵隐寺以及河坊街等，旅游景点名称作为占比最多的标签主题词汇，旅游景点名称也是最重要的标签，根据不同标签的选取，可以有效地帮助用户筛选出切合需求的游记；③景点特色相关词汇，如古镇、龙井、游船和索道等，这些特征是对旅游景点特色的进一步表达，加强了对旅游景点名词的语义理解，同时，由于模型算法抽取出的主题词都是相关性很强的词汇，保证了这些景点特色相关词汇的可靠性与准确性；④旅游信息要素相关特征词，如门票、酒店、公交及餐厅等，这些主题都是旅行过程中的常见话题，也是旅游者信息需求中的重要组成部分。

4信息推荐的实现

4.1代表性游记推荐

根据得到的主题标签词表，选定标签词，计算得到对应的代表性游记，并对其进行了相关性分析以检验实验结果的科学性与实效性，具体步骤与结果分析如下。

本文以标签组“周庄、西塘、西溪、河坊街、机场”、“上海、西湖、花港观鱼、三潭印月、京杭大运河、河坊街、酒店、公交”和“灵隐寺、飞来峰、门票、民宿、龙井、中国茶叶博物馆”为例，计算每篇游记对相应标签的描述度、忠诚度和代表度。同时，根据代表度降序排列，得到前10篇游记作为代表性游记。对于同一组标签，本文首先计算了游记的描述度、忠诚度与代表度的相关性（见表4）。

从表4可看出，针对1005篇游记，整体上三者之间存在显著正向相关关系；对于代表性游记，游记的描述度与忠诚度呈负相关，而代表度与描述度、忠诚度相关性呈不确定状，且三者之间相关关系的显著性由标签组合的改变存在差异。描述度高的游记表示了在该游记中标签对应内容相较丰富，忠诚度高则表明该游记对于用户指定的需求更具有针对性，专指性强。当游记作者对标签涵盖旅游内容进行了较为详尽的描述时，根据游记作者的语言习惯往往对其他内容也有较长篇幅的记录，因此在一定程度上描述度与忠诚度存在相互制约。而代表度算法综合了游记对标签主题的描述程度和忠诚程度，只有在游记作者以标签主题内容为整篇游记的重点，对相关内容描述得多而其他内容记录得少时，才能得到两者均处于较高水平的状态。这使得最终选取出的代表性游记在内容上有较丰富的展现，同时过滤掉了用户没有需求的冗余信息。

随后本文对代表性游记进一步追踪和检验，得到各游记字数、所包含图片数以及对应游记的用户互动行为数据，如表5所示。结果表明，所选取的代表性游记并不是简单的数据集中字数和包含图片数最多的游记，但其数目处在相较高的位置且在用户互动指标上有较好的表现。与此同时，3组标签共得到29篇代表性游记，分别来自29为作者，不同标签组得到的代表性游记差异性显著，初步证明了通过上述算法得到了对应不同需求的信息甄别结果，对于高相似度游记的识别与聚类具有良好效果。

与此同时，本文对抽取同一组标签下的代表性游记内容进行人工分析以验证，得到代表度更高的游记对于标签涵盖内容的描述与表达更加相关与细致，且在不同标签组下均有较好的效果。例如，标签组“周庄、西塘、西溪、河坊街、机场”中，对应编号为187的游记在字数、所含图片数以及阅读、点赞、评论、收藏和分享指标上均明显高于其他代表性游记，但其代表度排列第7，并不靠前。具体探究可得该游记行程为“杭州-南浔-苏州-周庄-锦溪-上海”，时间跨度10天，虽然内容丰富但范围广泛，针对性稍弱，而其他排名靠前的游记与标签内容的相关性更强。在内容详尽方面，例如标签组“上海、西湖、花港观鱼、三潭印月、京杭大运河、河坊街、酒店、公交”中。对应编号为82、634、826的游记对三潭印月景点的相关描述；标签组“灵隐寺、飞来峰、门票、民宿、龙井、中国茶叶博物馆”中，对应编号为173、642游记对灵隐寺和飞来峰门票信息的表达，见图1，随着游记在组中代表度依次减弱，其相关记录的详尽程度依次减弱。

4.2针对性内容定位

根据数据样本中对游记篇幅的统计结果可知，其平均字数达到4 500字以上，因此，为了更高效的给予用户相关信息推荐，满足用户需求，本文进一步提取了代表性游记中包含标签内容的相关信息。表6展示了对于标签组“周庄、西塘、西溪、河坊街、机场”，部分代表性游记中针对“机场”的相关信息。

5结语

如今，很多用户都倾向于从在线旅游平台中获取旅游经验以完善自己的旅游计划，而历史旅游者融合自身体验，分享与总结旅游经验，撰写旅游游记，对于潜在旅游者极具价值。本文以蚂蜂窝旅游信息交流平台中杭州旅行游记为例，利用LDA模型对游记文本集进行建模，得到文本主题分布与游记中心主题相关词汇。随后，设定相关标签，通过每篇游记对标签组合的描述度、忠诚度和代表度的计算，得到相应的代表性游记及相关内容，最后通过对代表性游记的追踪与检验，结合游记内容和相关属性，对研究算法进行了进一步剖析。

作为现实旅游者对自身旅游经历的描述与情感表达，游记文本具有信息真实、反馈及时、内容丰富的特点，通过LDA主题模型从游记文本中识别出来的特征词，切实代表了该旅游目的地中的热门景点与特色以及用户在旅游过程中关心的热点，将其设为供用户选取的标签词具有符合用户需求的良好表现。随后，本文提出以根据主题标签选取代表性游记进行旅游信息推荐的新策略，具有很好的指导意义和实践价值。一方面，当用户设定一组标签后，需要检索系统寻找到这组标签所代表的概念之间的语义关系，而这种关系往往就蕴含在用户自发、自主撰写的游记文本中。另一方面，当对游记文本数据集进行主题识别与文本聚类后，对这些知识发现的结果进行表达和解释，然后呈现给用户是信息服务的最后一道程序，通过筛选代表性游记，用客观存在的游记文本来表现主题内容，实现旅游信息推荐的方法，使得对主题词之间语义关系的判读更为客观与准确。

本文还存在一些不足以及可加以深入探讨的内容，如本文仅以LDA模型为例抽取游记主题标签，虽然LDA是主题挖掘模型中较为成熟与流行的聚类算法，但不代表其完全适应游记文本的语言特点。同时，用户对于游记描述度与忠诚度的倾向方面是否存在侧重等问题也有待商榷，因此，主题识别算法的优化以及代表性游记筛选策略的改进都将是以后的研究着眼点。