EN中文

地球信息科学学报 >

2024 , Vol. 26 >Issue 2: 499 - 513

DOI: https://doi.org/10.12082/dqxxkx.2024.230101

用户情绪感知研究

基于深度学习的城市酒店双因素体验特征及其差异机制分析

  • 贾添羽 , 1, 2 ,
  • 张郴 , 1, 2, * ,
  • 鲁方圆 1, 2 ,
  • 黄震方 1, 2
展开
  • 1.南京师范大学地理科学学院，南京 210023
  • 2.江苏省地理信息资源开发与利用协同创新中心，南京 210023
*张 郴（1982— ），女，江苏南京人，博士，副教授，硕士生导师，主要研究方向为城市旅游、旅游大数据及旅游者心理和行为。E-mail:

贾添羽（1999— ），女，吉林长春人，硕士生，主要研究方向为旅游大数据及旅游者心理和行为。 E-mail:

Copy editor: 蒋树芳 黄光玉

收稿日期: 2023-03-01

  修回日期: 2023-07-05

  网络出版日期: 2024-03-27

基金资助

国家自然科学基金项目(41871141)

国家自然科学基金项目(42071175)

收起

Analysis of Two-Factor Experience Characteristics and Difference Mechanism of City Hotel Based on Deep Learning

  • JIA Tianyu , 1, 2 ,
  • ZHANG Chen , 1, 2, * ,
  • LU Fangyuan 1, 2 ,
  • HUANG Zhenfang 1, 2
Expand
  • 1. School of Geographic Science, Nanjing Normal University, Nanjing 210023, China
  • 2. Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing 210023, China
*ZHANG Chen, E-mail:

Received date: 2023-03-01

  Revised date: 2023-07-05

  Online published: 2024-03-27

Supported by

National Natural Science Foundation of China(41871141)

National Natural Science Foundation of China(42071175)

Fold

摘要

当前“双循环”新发展格局下，酒店业迎来发展新机遇。本研究选取夫子庙（历史人文街区）和新街口（城市商业中心） 2个环境差异明显的地区作为案例地，以携程旅行网上12家酒店文本作为数据来源，建构CNN-BiLSTM-ATT相结合的深度学习模型，探究游客酒店双因素体验特征，并对其差异机制进行分析。结果表明：① CNN-BiLSTM-ATT相结合的深度学习方法为酒店体验研究提供了一个系统的理论框架，可以深入挖掘游客酒店体验特征及其差异机制；② 不同环境差异下的游客酒店双因素体验具有较大差异。游客夫子庙酒店激励体验涉及区位地标、餐饮体验等要素；游客新街口酒店激励体验涉及娱乐体验、酒店氛围等要素。游客夫子庙酒店保健体验涉及停车设施、客房面积等要素；游客新街口酒店保健体验涉及电梯设施、停车设施等要素；③ 游客酒店双因素体验机制存在差异。游客酒店激励体验多与区位地标、娱乐体验等外部要素有关，保健体验多与客房面积、客房隔音等内部要素有关。本研究拓展了深度学习在游客体验研究中的应用，为酒店韧性建设与高质量发展提供参考。

关键词： 酒店体验; 深度学习; 注意力机制; 激励因素; 保健因素; 差异机制; 夫子庙; 新街口

本文引用格式

贾添羽 , 张郴 , 鲁方圆 , 黄震方 . 基于深度学习的城市酒店双因素体验特征及其差异机制分析[J]. 地球信息科学学报, 2024 , 26(2) : 499 -513 . DOI: 10.12082/dqxxkx.2024.230101

Abstract

Under the current new development pattern of "dual circulation", the hotel industry meets new opportunities for growth. In this study, we select two areas with distinct environmental differences as study locations, i.e., the Confucius Temple (historical and cultural district) and Xinjiekou (urban commercial center). Using the texts of 12 hotels on Ctrip as the data source, we construct a deep learning model using CNN-BiLSTM-ATT to explore the two-factor tourist hotel experience and analyze the mechanism of the differences. The results show that: (1) The deep learning method using CNN-BiLSTM-ATT provides a systematic theoretical framework for studying hotel experience for better understanding of the characteristics of tourist hotel experience and the mechanism of the differences; (2) The two-factor tourist hotel experience vary significantly under different environmental conditions. Tourists’ motivating experience in the hotels of Confucius Temple involves factors such as location landmarks and dining experiences, while in Xinjiekou, it relates to factors such as entertainment experience and hotel atmosphere. The hygiene experience of tourists in the hotels of Confucius Temple involves factors such as parking facilities and room size; while in Xinjiekou, it relates to factors such as elevator facilities and parking facilities; (3) There are differences in the mechanisms of tourists' two-factor experience. Tourists’ motivating experience of hotels is mainly related to external factors such as location landmark and entertainment experience, while the hygiene experience is mainly related to internal factors such as room size and room sound insulation. This study expands the application of deep learning approach in the study of tourist experience in hotels, providing references for the hotel resilience construction and high-quality development.

Key words： hotel experience; deep learning; attention mechanism; motivate factor; hygiene factor; difference mechanism; Confucius Temple; Xinjiekou

1 引言

随着旅游需求转型升级，游客更加追求高品质、个性化的旅游体验，这对酒店发展提出了更高要求[1-2]。在当前“双循环”新发展格局下，酒店的行业边界和功能正在发生变化[3]。酒店不止作为旅游的配套设施，为游客提供传统的住宿、餐饮等服务，而是朝着目的地功能转变，依托酒店内外环境和资源为游客提供休闲、娱乐、购物等多重体验[1,4-5]。这使得游客酒店体验圈层逐渐扩大，形成了以酒店内部为中心，向目的地外部辐射的发展格局[6]。因此，在酒店功能转型背景下探究游客酒店体验，有助于为酒店韧性建设和高质量发展提供参考。
游客酒店体验是游客与酒店产品认知、解读和交互的结果[7]。现有游客酒店体验研究集中在认知体验和情感体验2个方面。认知体验主要是酒店内部的住宿功能体验，涉及房间设施[8]、员工服务[9]、客房卫生[10]等。然而，随着游客酒店体验圈层逐渐扩大，部分学者将酒店外部环境也视为游客认知体验的一部分。相关研究表明便利的交通[11]、独特的自然环境[12]、优越的地理位置[13]等已成为游客酒店选择的重点关注内容。由此可见，外部环境因素对游客酒店体验具有潜在影响，但已有研究多集中探讨酒店的住宿功能，从目的地视角考虑酒店外部环境因素的实证研究并不充分[14]。在情感研究方面，主要利用访谈、问卷调查、网络文本分析等方法探究游客酒店体验的积极和消极等情感[15-16]。例如，Torres等[8]通过半结构化访谈分析不同国家游客酒店体验的积极因素；Luo等[17]在对经济型酒店游客评论研究中发现位置、价格等因素与积极情感相关，隔音、发票等与消极情感相关。鉴于游客酒店体验要素的多样性以及情感的复杂性，本研究引入Herzberg双因素理论[18]。双因素理论将游客情感分为“满意/没有满意”和“不满意/没有不满意” 2类，并认为激励因素是使游客产生满意情感的因素，保健因素是使游客产生不满意情感的因素[19]。双因素理论核心思想在于关注到“满意”对立面不是“不满意”而是“没有满意”，关注到情感并非是非正即负的二元对立，这对厘清游客酒店体验要素和复杂情感机制具有积极作用。
随着互联网技术及其用户规模的快速发展，大量游客借助网络平台发布酒店体验[20]。就旅游网络文本分析技术而言，主要包括以ROST为主的社会语义分析、以词典为主的人工计算模型、机器学习模型3种方法[21]。在以ROST为主的社会语义网络分析中，对文本语义的处理较为简单，尚不能充分反映游客评论的有用信息[22]。在以词典为主的人工计算模型中，存在部分酒店词汇和表达无法体现的问题[23]。相比之下，机器学习模型能够较为精准地识别海量文本中的重要信息，具有较强的泛化能力和学习能力[24]。深度学习作为机器学习模型的子集，能够将低级特征抽象成高级特征表示，深入挖掘游客酒店体验认知元素，关注游客情感变化背后的复杂机制[25-26]。目前，少数学者关注到卷积神经网络[27]、BERT等[28]深度学习模型在游客体验中的应用，并证实了深度学习模型在处理旅游网络文本中的优势。但当旅游网络文本较长时，长距离的信息就会被弱化[18]。因而更需要聚焦文本重点信息，引入注意力机制分配游客酒店体验注意力系数，深入挖掘游客酒店体验关注重点[29]。
基于上述分析，本研究重点探究不同环境禀赋下的游客酒店认知体验关键要素，以及这些要素背后的双因素情感机制。本研究采用CNN-LSTM-ATT相结合的深度学习模型，以携程旅行网上12家酒店文本作为数据来源，并选取以历史人文为主的夫子庙酒店和以中心商贸为主的新街口酒店作为研究案例地。本研究关注酒店功能转型带来的深刻变化，在理论上丰富了双因素理论研究，为游客酒店双因素体验研究提供一个系统的理论框架；在方法上拓展了游客酒店体验的深度方法在旅游文本中的应用，深化了对游客酒店体验要素的认识；在实践上将酒店周边目的地资源纳入酒店吸引力范畴，有助于酒店应对“以内循环为主”的发展格局，更好地满足游客需求，实现酒店的高质量发展。

2 研究方法

本研究技术路线图如图1所示。首先，爬取携程旅行网上夫子庙和新街口酒店游客评论，并将游客评论分成2类。其次，对游客评论进行预处理。本文剔除“酒店很好”、“酒店是很不错的”等评论字数小于10字的游客评论。这是因为此类评论往往是对酒店好与坏的简单评价，没有涉及到反映酒店内外部环境的内容，且已有研究表明，当游客评论字数较短时，难以提取出有效的信息特征项[30]。同时使用Python中的jieba分词包进行分词，在此基础上采用哈工大停用词表和百度停用词表去停用词，并进行噪声过滤。再次，建立CNN-BiLSTM-ATT相结合的深度学习模型探究游客激励和保健体验。本文先将游客评论划分为训练集、验证集和测试集，使用卷积神经网络和双向长短期记忆网络作为特征提取器，在此基础上使用注意力机制对特征进行加权求和，从而建立夫子庙和新街口游客酒店体验数据库。最后，结合游客评论分析夫子庙和新街口游客酒店激励和保健体验特征，并对其差异机制分析。
图1 研究技术路线

Fig. 1 The technical support flow chart

2.1 卷积神经网络

卷积神经网络（Convolutional Neural Networks）是深度学习的代表算法，涉及卷积层、池化层和全连接层[31]。在文本数据中，通常采用准确率（Accuracy）、损失率（Loss）、F1值等评价指标来验证文本分类的合理性[32-33]。准确率是指正确的评论预测结果占评论总数的比例；损失率是指评论分类的损失程度，代表当前结果与理想结果的差距，采用交叉熵损失函数（Cross Entropy Loss）进行计算；F1值是针对类别不均衡的量度，具体计算公式如式（1）—式（3）所示。
$Accuracy\text{=}\frac{TP+TN}{TP+TN+FP+FN}$
其中，在“满意/没有满意”分类中，TP表示真实结果为满意，预测结果也为满意，是真正例；TN表示真实结果为没有满意，预测结果也为没有满意，是真负例；FP表示真实结果为没有满意，预测结果为满意，是假正例；FN表示真实结果为满意，预测结果为没有满意，是假负例；“不满意/没有不满意”分类同理。
$Loss=-\frac{1}{N}\sum\limits_{i=1}^{N}{[{{y}_{i}}\cdot \log f\left( {{x}_{i}} \right)+(1-{{y}_{i}})\cdot \log (1-f\left( {{x}_{i}} \right))]}$
其中，在“满意/没有满意”分类中，yi表示评论i的标签，log底数为e，f(xi)、1-f(xi)分别表示评论预测为满意与没有满意的概率，“不满意/没有不满意”分类同理。
$F1-score=2\times \frac{ Precision \times Recall}{Precision+Recall}$
式中：F1值是精确率（Precision）和召回率（Recall）的调和平均数，能够综合评估一个模型的好坏。

2.2 双向长短期记忆网络

双向长短期记忆网络（BiLSTM）是一种循环神经网络，最早由Schuster和Paliwal提出，将其用于语音识别研究中，随后在自然语言处理等领域被广泛使用[34]。双向长短期记忆网络可以从前向和后向2个方向学习序列的特征，同时考虑前文和后文的信息，从而更好地捕捉序列数据中的长期依赖关系，能够有效提高模型泛化能力。
本研究首先建立双向长短期记忆网络层，并将前一网络层的输出作为后一网络层的输入，即将卷积神经网络的输出（x1, x2, x13, x4）传递给双向长短期记忆网络；其次对双向长短期记忆网络层设置0.1的丢弃率，以避免出现过拟合问题；最后将双向长短期记忆网络层的输出（y1, y2, y13, y4）传递给自定义的注意力机制层进行进一步处理。结构如图2所示。
图2 双向长短期记忆网络结构

注: x1、x2、x3、x4表示卷积神经网络的输出; y1、y2、y3、y4表示双向长短期记忆网络层的输出数据; h1、h2、h3、h4分别为x1、x2、x3、x4的前向隐层表示; h1^、h2^、h3^、h4^分别为x1、x2、x3、x4的后向隐层表示。

Fig. 2 Structure of Bi-directional Long Short-Term Memory network

2.3 注意力机制

注意力机制（Attention Mechanism）由Treisman和Gelade最早提出，是一种能够模拟人脑注意力机制的模型[35]。注意力机制本质上是一个寻址过程，即通过给定一个查询query，采用Key-Value的查询方式加权计算Attention Value[29]。
本研究在双向长短期记忆网络基础上建立自定义的注意力层，使用全连接层分别对query和key进行映射，使用Softmax函数将相似度矩阵转化为注意力权重，通过调用注意力层的输出属性获取注意力得分。首先，将双向长短期记忆网络层的输出数据（y1, y2, y13, y4）分成多个小批次处理，设置每批次大小为16，并将每个小批次的结果传递给注意力权重函数。其次，将每个小批次的注意力权重合并，进而得到完整的注意力权重矩阵。再次，从注意力权重矩阵中获取“满意/没有满意”、“不满意/没有不满意” 2种分类下的词汇排序索引，并计算每个词汇在各分类中的出现次数。最后，调用词汇排序索引并按照词频从高到低的排序进行提取，获得夫子庙和新街口酒店游客满意和没有不满意排序前100的词汇，并输出对应的词汇和权重构建游客酒店体验数据库，其结构图如图3所示。
图3 注意力机制结构

Fig. 3 Structure of attention mechanism

3 研究区概况与数据来源

3.1 研究区概况

本研究以南京历史文化街区夫子庙和中心商务区新街口作为案例地（图4），主要有以下3点原因。① 区域代表性。夫子庙地处南京老城南，是南京历史文化的典型代表，是六朝文化、江南文化枢纽之地，并于2012年被评为5A级旅游景区；新街口地处南京市中心，是都市商圈的典型代表，有“中华第一商圈”美誉，区内高楼林立，车水马龙。② 环境禀赋差异性。夫子庙文化底蕴深厚，有乌衣巷、老门东、江南贡院、秦淮河等多处文旅资源，是集建筑、科举、园林等多种文化元素于一体的国家级旅游休闲街区；新街口现代商业气息明显，有德基广场、中央商场、金鹰等多家综合购物中心，商场内部品种齐全，商贸密集程度高，是游客购物逛街的首选。③ 酒店发展情况较好。从酒店供给层面看，两地酒店品牌和数量众多，酒店集聚程度较高；从游客需求层面看，受游客旅游轨迹影响，游客的酒店选择在两地集中。综合来看，夫子庙和新街口两地酒店既具有相似性也存在一定差异。
图4 夫子庙与新街口

Fig. 4 Confucius Temple and Xinjiekou

3.2 数据来源

本研究基于数据的代表性和可获得性，对携程旅行网上距夫子庙和新街口1 km以内的酒店进行筛选。为减少酒店价格与酒店基础条件的不对等现象，缩小不同集团以及酒店档次带来的游客体验误差，选取了华住集团旗下的全季、桔子、星程3家中档酒店品牌作为研究对象，共计12家酒店（图5）。
图5 夫子庙与新街口酒店选取

Fig. 5 Distribution of Confucius Temple and Xinjiekou Hotels

首先采集携程旅行网上评论日期为2019年 1月1日—2021年12月31日夫子庙和新街口两地酒店的数据，数据内容包括用户ID、入住评分、入住时间、出游类型和评论文本5个部分。其次，本文参考入住评分划分游客情感，1—2分为消极评论，4—5分为积极评论，3分为中立评论。最后，借鉴双因素理论将游客情感分为“满意/没有满意”和“不满意/没有不满意” 2类。其中，令游客满意的评论是积极评论，没有满意的评论是消极评论与中立评论；令游客不满意的评论是消极评论，没有不满意的评论是积极评论与中立评论，即“满意”情感对立面并非“不满意”情感，而是存在一个“没有满意”情感；反之，“不满意”情感对立面并非“满意”情感，而是存在一个“没有不满意”情感（表1）[36]。
表1 文本数据划分

Tab. 1 Text data division

评论类别 评论数量/条
夫子庙 满意/没有满意 7 980
不满意/没有不满意 2 637
新街口 满意/没有满意 7 910
不满意/没有不满意 2 945
总计 21 472

4 结果与分析

4.1 文本分类结果

利用卷积神经网络模型对文本分类结果进行评估，经参数调试后最终确定的模型参数设置如 表2所示，模型准确率、损失率与F1值结果如图6—图8所示。结果表明，在夫子庙和新街口“满意/没有满意”与“不满意/没有不满意”分类中，训练集和测试集损失率随梯度更新均呈现波动下降趋势；训练集和测试集准确率随梯度更新均呈现波动上升趋势，在训练完成时准确率均趋近于0.9；训练集和测试集F1值随梯度更新上升，在训练完成时F1值达到0.9，模型整体较为合理，文本分类具有一定可信度。
图6 夫子庙文本分类准确率与损失率

Fig.6 Accuracy and loss rate of text classification in Confucius Temple

图7 新街口文本分类准确率与损失率

Fig 7. Accuracy and loss rate of text classification in Xinjiekou

图8 夫子庙与新街口文本分类F1值

Fig. 8 F1-score of text classification in Confucius Temple and Xinjiekou

表2 基于深度学习方法的游客酒店体验文本参数设置

Tab. 2 Text parameter settings of tourist hotel experience based on deep learning

参数名称 参数设置
vocab_size 10 000
embedding_size 256
conv_filters 128
conv_kernel_size 5
dropout_rate 0.1
epochs 1
batch_size 16
learning_rate 1e-2

4.2 识别游客酒店体验关键词

关键词是游客酒店体验的基本元素，是游客酒店体验维度的基础。本研究通过注意力机制提取夫子庙酒店和新街口酒店文本数据中满意和不满意评论前100个关键词，并将其作为游客的激励和保健体验，依据注意力权重大小绘制词云图（图9）。
图9 游客酒店体验词云图

Fig. 9 Tourist hotel experience word cloud map

在夫子庙保健词云图中，游客酒店体验不满意要素主要由“位置”、“吵”、“陈旧”、“很小”等词汇组成；在夫子庙激励词云图中，游客酒店体验满意要素主要由“地理位置”、“秦淮河”、“服务”、“老门东”等词汇组成。在新街口保健词云图中，游客酒店体验不满意要素主要由“入住”、“停车位”、“隔音”、“隔音”等词汇组成；在新街口激励词云图中，游客酒店体验满意要素主要由“商圈”、“地理位置”、“干净”、“机器人”等词汇组成。

4.3 提取游客酒店体验维度

本文依据注意力权重大小分别筛选前30个关键词，从关键词属性和语义出发将其归纳为15个二级要素和6个一级要素，采用自下而上的方式提炼游客体验维度，并计算各体验维度权重大小（表3）。
表3 基于注意力机制的游客酒店体验维度及组成要素

Tab. 3 Dimensions and components of tourist hotel experience based on attention mechanism

评论类别 体验环境 一级要素 二级要素 夫子庙酒店Attention关键词 新街口酒店Attention关键词
激励 内部环境 公共
设施		 PA1酒店氛围（C:0.01247;
X:0.03295）		 风格、舒服、环境 舒服、温馨、舒适、环境、安静
客房
条件		 PB1客房设施（C:0.04003;
X:0.02584）		 窗户、房间 房间
PB2客房卫生（C:0.01305;
X:0.04982）		 干净 整洁、干净、卫生
服务
水平		 PC1前台服务（C:0.02040;
X:0.04623）		 小姐姐、到位、周到、服务、态度、前台、入住、热情、办理 服务、前台、入住、态度、热情、贴心、小姐姐、工作人员
PC2超值服务（/; X:0.04132） - 机器人、升级、免费
外部环境 地理
位置		 PE1酒店地段（C:0.03612;
X:0.03388）		 地理位置、位置 地理位置、位置、市中心
PE2区位地标（C:0.04178;
X:0.04019）		 夫子庙、秦淮河、老门东 新街口
休闲
体验		 PF1交通体验（C:0.01636;
X:0.04675）		 出行、很近、、地铁、便利、方便 出行、方便
PF2餐饮体验（C:0.01349; /） 早餐、小吃 -
PF3娱乐体验（C:0.01276;
X:0.05968）		 景区、晚上、周边 商圈、购物、周边
保健 内部环境 公共
设施		 NA2电梯设施（/; X:0.01494） - 电梯
NA3停车设施（C:0.01318;
X:0.02028）		 停车场、停车 车位、停车场、停车位
客房
条件		 NB1客房设施（C:0.03692;
X:0.02704）		 床单、房间、陈旧、空调、房 房间、空调、窗户、床、旧、设备
NB2客房卫生（C:0.01724;
X:0.00961）		 卫生间、卫生、味道 卫生间
NB3客房隔音（C:0.01623;
X:0.01459）		 吵、装修、隔音 隔音、装修、半夜
NB4客房面积（C:0.01014;
X:0.02241）		 很小、空间 小、空间
服务
水平		 NC1前台服务（C:0.02231;
X:0.02073）		 前台、服务、入住、服务员、态度、订 服务、入住、态度、前台、退房、
服务员、订
住宿
价格		 ND1住宿价格（C:0.01724;
X:0.01387）		 价格、性价比 价格、性价比
外部环境 地理
位置		 NE1酒店地段（C:0.03009;
X:0.04055）		 位置、地理位置、地方 地理位置、位置
NE2区位地标（C:0.03651;
X:0.01814）		 夫子庙 新街口
休闲
体验		 NF1交通体验（C:0.01318;
X:0.02028）		 地铁、交通、地铁站 地铁、出行

注：C表示夫子庙，X表示新街口，“/”表示无对应权重。

首先，以游客保健体验为例，停车、车位、停车场等词反映了酒店停车状况和停车的便利程度，故将其归纳为停车设施要素。小、很小、空间等词是对酒店客房空间大小和宽敞舒适度的反映，面积狭小或空间不足会使游客产生不满情绪，故将其归纳为客房面积要素。以游客激励体验为例，风格、舒服、温馨等词是对酒店整体氛围的反映，购物、晚上、景区等词则反映了酒店周边可供游客参与的愉悦性休闲体验，故将其分别归纳为酒店氛围和娱乐体验。此外，游客保健和激励体验在一定程度上可以相互转化。例如，周到、入住等词是酒店前台服务的体现，周到的前台服务易产生满意情绪，而前台入住办理缓慢易产生不满意情绪。
其次，在将被Attention到的关键词归纳为停车设施、客房面积、客房隔音等二级要素基础上，聚焦各二级要素的属性和语义。例如，客房面积、客房设施、客房隔音等是对酒店客房的描述，体现了游客入住客房后的空间属性感知和物理属性感知，故将其归纳为客房条件。前台服务和餐饮服务等是酒店提供的基础性服务，超值服务是酒店提供的附加性服务，故将其归纳为服务水平。酒店地段和区位地标等是对酒店所处位置和周边标志性地点的反映，故将其归纳为地理位置。交通体验、餐饮体验和娱乐体验等是游客在旅游过程中感受到的交通、购物、游览体验等，故将其归纳为休闲体验。
最后，在公共设施、休闲体验等一级要素基础上进一步提炼游客酒店体验的环境范畴，将公共设施、客房条件、服务水平、住宿价格4个反映酒店住宿功能的要素归纳为内部环境，将地理位置、休闲体验2个反映酒店目的地功能的要素归纳为外部环境。

4.4 游客酒店双因素体验

纵向对比各二级要素权重大小，重新划分游客酒店激励与保健体验。如夫子庙酒店激励评论中前台服务(PC1=0.020 40)<保健评论中前台服务 (NC1=0.022 31)，因此将前台服务归为夫子庙保健体验。

4.4.1 游客酒店保健体验

（1）夫子庙酒店保健体验
夫子庙酒店保健体验按权重按大小排序（图10），依次为前台服务(NC1)、客房卫生(NB2)、住宿价格(ND1)、客房隔音(NB3)、停车设施(NA3)、客房面积(NB4)，相关游客评论如表4所示。在NC1中，员工的服务态度、热情程度、处理效率等会直接影响游客体验，是酒店服务的有形展示。在NB2中，酒店卫生是游客办理入住后所关注的重点，卫生存在盲区以及细节不到位等对游客酒店体验具有阻碍作用。在ND1中，夫子庙景区周边地价较贵，进而导致酒店价格偏贵。在NB3中，老城区酒店隔音效果不佳，游客易受到地方居民打扰，外部噪音使得游客产生保健体验。在NA3中，夫子庙酒店毗邻5A级景区，靠近秦淮风光带，景区属性是造成酒店周边停车困难的主要原因。在NB4中，存在房间面积与实际宣传面积不符的情况。
图10 游客酒店保健体验权重

Fig. 10 Weight of tourist hotel hygiene experience

表4 游客保健体验示例

Tab. 4 Example of tourists hygiene reviews

所属要素 游客评论示例
夫子庙保健体验 停车设施(NA3) “没有停车场，而且景区附近停车收费一天大概100元”(CN1129)
客房面积(NB4) “夫子庙内，但是房间真的太小了，写的房间面积20~25，目测估计只有十几平”(CN272)
住宿价格(ND1) “因位置都是景区，价格小贵”(CN1022)
客房隔音(NB3) “隔音效果不太好，早上醒来都被吵死了，楼下有居民在活动”(CN934)
前台服务(NC1) “前台一位男接待很想投诉他，酒店需要加强服务管理”(CN1307)
客房卫生(NB2) “淋浴房的墙上还有上一个住客的头发”(CN2561)
新街口保健体验 酒店地段(NE1) “位置一般，在2个地铁站的中间，可以选择再靠近某一个”(XN1682)
停车设施(NA3) “停车就是比较麻烦，因为在市区情有可原”(XN478)
客房面积(NB4) “普遍的房间面积比较小，可能是南京市中心寸土寸金的位置吧”(XN1763)
客房设施(NB1) “卫生间没有防滑垫”(XN19)
电梯设施(NA2) “电梯是坏了还是施工一直不动”(XN254)
住宿价格(ND1) “在新街口中心……元旦价格贵了点”(XN1432)
客房隔音(NB3) “隔壁房间有人说话可以听到，因为周围商场多，晚上睡觉时外面也有些吵闹”(XN1465)
（2）新街口酒店保健体验
新街口酒店保健体验按权重按大小排序（图10），依次为酒店地段(NE1)、客房设施(NB1)、客房面积(NB4)、停车设施(NA3)、电梯设施(NA2)、客房隔音(NB3)、住宿价格(ND1)。在NE1中，新街口地处南京繁华都市区，高楼林立，以商务型游客居多，游客对酒店地段的体验价值低于期望价值会产生不满意情绪。在NB1中，商务型游客消费能力较高，对客房设施的数量和质量有更高要求，客房设施完整性与齐备性等影响游客体验。在NB4中，房间面积狭小，空间不足带来的强烈压抑感等易产生不满意情绪。在NA3中，停车设施成为保健体验的主要原因与新街口酒店市中心属性有密切关联。在NA2中，商务型游客更讲究效率和速度，对酒店电梯运行状况给予格外关注。在NB3中，酒店内外音量状况共同影响游客体验，内部音量主要来自隔壁房间客人，外部音量则来自周边商厦。在ND1中，周末房价比平日贵、节假日房价涨幅过大等引发游客不满。

4.4.2 游客酒店激励体验

（1）夫子庙酒店激励体验
夫子庙酒店激励体验按权重按大小排序（图11），依次为区位地标(PE2)、客房设施(PB1)、酒店地段(PE1)、交通体验(PF1)、餐饮体验(PF2)、娱乐体验(PF3)、酒店氛围(PA1)，相关游客评价如表5所示。在PE2中，地标是区位环境的典型代表，是人文、自然等多种资源的耦合。在PB1中，夫子庙酒店不仅满足游客的常规需求，也突出了外部景观在窗户、阳台等设施塑造中起到的附加作用。在PE1中，酒店优越的位置、出色的选址等易使游客产生满意情绪。在PF1中，交通便利性是游客入住选择的重要原因，这与靳诚等研究发现，游客酒店选择集中于夫子庙街道相一致[37]。此外，旅游交通是旅游体验的重要一环，与旅游地在产品、空间、设施等方面联系日益密切。在PF2中，地方餐饮是城市文化和城市风格的反映，夫子庙周边的特色南京小吃和丰富的品种选择是激励因素的组成部分。在PF3中，夫子庙酒店游客偏好欣赏夫子庙、秦淮河、江南贡院等文化景观，游客体验与夫子庙人文古典形象相匹配。在PA1中，夫子庙浓厚的文化氛围能够帮助游客与酒店进行更好地互动，在游客与酒店建立情感联系方面发挥重要作用。
图11 游客酒店激励体验权重

Fig. 11 Weight of tourist hotel motivate experience

表5 游客激励体验示例

Tab. 5 Example of tourists motivate reviews

所属要素 游客评论示例
夫子庙激励体验 区位地标(PE2) “有河景房，窗户外就是秦淮河”(CP4669)
酒店地段(PE1) “夫子庙地段很热闹，旁边有南京大排档”(CP287)
交通体验(PF1) “晚上坐船游秦淮河”(CP7192)
娱乐体验(PF3) “看十里秦淮，六朝金粉，绝对超值体验”(CP7032)
餐饮体验(PF2) “后面有条小巷子，小吃，早餐，宵夜，南京盐水鸭，烤鸭都有”(CP1584)
酒店氛围(PA1) “大厅很有文化底蕴”(CP4448)
客房设施(PB1) “房间内有小阳台，近观夫子庙夜景”(CP27)
新街口激励体验 娱乐体验(PF3) “附近商场很多走两步就到也蛮繁华的”(XP7292)
酒店氛围(PA1) “酒店装饰比较现代化”(XP2252)
前台服务(PC1) “服务太好了，去南京出差，办入住的时候还给了温水”(XP7591)
区位地标(PE2) “去新街口逛街购物都很方便”(XP4826)
交通体验(PF1) “整体感觉不错，位置交通便利，离地铁口很近”(XP326)
客房卫生(PB2) “房间卫生每天都打扫的干净”(XP846)
超值服务(PC2) “送外卖和水的是小机器人”(XP23)
（2）新街口酒店激励体验
新街口酒店激励体验按权重按大小排序（图11），依次为娱乐体验(PF3)、客房卫生(PB2)、交通体验(PF1)、前台服务(PC1)、超值服务(PC2)、区位地标(PE2)、酒店氛围(PA1)。在PF3中，新街口游客偏好享受商场、市中心的购物体验，这与新街口的繁华闹市形象基本一致。在PB2中，繁华都市圈和以商务型游客为主的两大属性是新街口酒店卫生状况较好的原因。在PF1中，新街口拥有“亚洲最大地铁站”，游客在此地可以享受到便利的公共交通体验。在PC1中，游客注重服务态度和办事效率。这与马桂真等研究发现，商务出游更注重酒店服务的结论一致[38]。在PC2中，新街口酒店提供智能机器人服务，以及免费升级房型等人性化服务以更好满足游客多元需求。在PE2中，新街口、德基广场、中央商场等具有南京代表性的大型商超是游客购物逛街首选，这表明区域内标志性建筑在塑造城市形象和影响游客体验中发挥重要作用。在PA1中，新街口酒店智能化和现代化元素是游客产生满意情绪的主要原因。

4.4.3 游客酒店保健与激励体验差异机制

游客酒店保健体验共同点体现在客房面积、客房隔音、酒店价格、停车设施4个方面(图12）；激励体验共同点体现在酒店氛围、区位地标、娱乐体验、交通体验4个方面；激励与保健体验差异点体现在客房卫生、前台服务、客房设施、酒店地段4个方面，造成两地游客酒店体验差异的原因主要有以下几点：
图12 保健与激励体验对比

Fig. 12 Contrast of motivate experience and hygiene experience

（1）游客酒店激励与保健体验受到酒店内部环境和外部环境的共同影响，且保健共同点多与内部环境有关，激励共同点多与外部环境有关。在保健体验共同点中，两地酒店均存在房间面积偏小、隔音效果不佳、价格偏贵、停车不便的现象。在激励体验共同点中，游客满意情绪在与夫子庙的历史文化属性、与新街口的繁华商圈属性互动中产生。
（2）游客对新街口酒店给予较高期待，实际获得的体验价值却低于期望价值。如，“我以为16楼应该挺不错的，结果视野不好（XN378）”。而夫子庙游客对老城区酒店各方面期望较低，体验利得超过体验利失，进而产生满意情绪。如，“乍一看门口以为不怎么样，房间设施其实超级好（CP6749）”。此外，受外部环境影响，地处老城区的夫子庙酒店客房干净程度和备品质量相较新街口现代化和智能化程度更高的酒店存在一定差距。
（3）独特的竞争优势与能力在游客酒店体验中发挥重要作用。便利的交通条件以及交通功能旅游化是夫子庙和新街口交通体验成为激励因素的重要原因。此外，夫子庙酒店也将交通体验融入到游客住宿体验中，游客足不出户即可欣赏夫子庙、秦淮河等文化景观。如，“阳台能看到秦淮河，晚上朋友小酌绝佳步行到江南贡院（CP4228）”。

5 讨论

在“双循环”新发展格局下，酒店功能得到极大扩展。游客酒店体验不止局限于酒店内部的设施和服务，而是朝着出游目的地的方向转型发展。游客酒店体验圈层逐渐扩大，形成了以酒店为中心辐射四周的新局面。本研究关注网络文本背后的深层语义关联，较为精准识别游客酒店体验，拓展了游客酒店体验维度，揭示了游客酒店双因素体验异同原因。
针对酒店功能转型的需要，提出以下发展对策。① 游客酒店体验影响因素表明，游客酒店体验同时受到内部环境和外部环境的影响。基于此，建议酒店建设注重内外部环境相融合，酒店在注重提高服务水平、设施质量的同时，应关注到交通便利性、旅游资源独特性对游客体验的影响，积极拓展酒店外部的空间范围和空间尺度，朝着多元的目的地空间建设转变。② 游客酒店激励和保健体验权重大小表明，夫子庙和新街口游客酒店游客激励和保健关注点不同，对酒店管理者来说，需要充分考虑到酒店不同环境禀赋带来的差异，因地制宜，灵活应对各地酒店的保健因素，并优先解决游客体验中保健权重最大的因素，以消除游客的不满情绪。其次，重视游客激励因素，提供令游客满意的酒店内部设施和服务，同时创造性的利用外部环境，与周边旅游景点联动，拓展酒店多元化消费场景，打造目的地的多重旅游体验。③ 游客酒店激励体验多与外部要素有关，保健体验多与内部要素有关，这需要酒店创新性利用内部设施、服务等，使其与外部的餐饮、娱乐等旅游资源相融合，营造与外部环境相契合的内部环境，使外部吸引力内化为酒店自身的吸引力。如，新街口等中心商务区的酒店提供更为智能化和现代化的服务及客房设施；夫子庙等历史人文地区的酒店创新利用秦淮河、老门东等历史人文景观，提供观秦淮夜景、习六朝文化等独特的入住体验。
从研究结果来看，本文与已有研究成果总体契合但略有不同。① 在游客酒店体验影响因素方面，本研究发现酒店内部的公共设施、客房条件、服务水平等影响因素，以及酒店外部的地理位置、交通体验等影响因素对游客酒店体验存在一定影响，这与李阳等[12]、史达等[36]研究成果基本一致。但同时本研究也发现，不同环境禀赋的目的地游客酒店激励和保健体验的影响因素存在一定差异。这在一定程度上与顾客价值理论相吻合，由于游客实际体验价值低于期望价值，进而产生的保健情绪[10]。此外，本研究关注到酒店外部环境在游客酒店激励体验中发挥的重要作用，这种外部环境体验不仅局限于酒店的地理位置和交通体验，也包括了对吃、游览、购物、娱乐等多方面的休闲体验[5]。特别是在酒店功能转型背景下，游客更加重视目的地的深度旅游体验，酒店周边目的地的旅游资源成为酒店自身吸引力的一部分，这与靳诚等[37]研究发现游客酒店选择与景点空间分布存在较强相关性的结论吻合。② 在游客情感分类方面，与郑淞尹等[39]分类方式不同，本研究未对其进行“积极”、“消极”的二分类，而是借鉴双因素理论“满意”对立面不是“不满意”而是“没有满意”核心思想，将其划分为“满意/没有满意”、“不满意/没有不满意”，在一定程度上丰富了旅游文本的分类方式，能更有效地探讨游客酒店体验的异同点。③ 在研究方法方面，本研究将CNN-LSTM-ATT相结合的深度学习方法用于旅游文本情感体验研究，能够更好地捕捉旅游文本中的上下文信息，深入挖掘游客语义，在一定程度上丰富了游客酒店体验研究的分析方法。
本研究仍存在一些不足，后续需进一步深入探讨。首先，在样本数据获取上，考虑到不同品牌和档次酒店可能对游客体验产生差异，没有加入其他酒店集团的样本进行分析，这在某种程度上易使酒店内部要素成为控制变量，后续研究可以从限定酒店价格范围和距离范围进行探讨；其次，仅针对游客评论进行深度学习，而部分游客酒店体验的生成内容也包括图片信息，未来计划加入图片识别等，从多角度进行验证游客体验形成过程，使研究结论更具普适性。再次，没有考虑消费者市场细分产生的体验差别，下一步计划按亲子出游、情侣出游等细分市场，探究不同群体的游客体验。

6 结论

本研究探究游客城市酒店双因素体验特征及其差异机制，选取南京历史文化街区夫子庙和中心商务区新街口作为案例地，采用CNN-BiLSTM-ATT相结合的分析方法，主要结论如下：
（1）本文建构CNN-BiLSTM-ATT相结合的深度学习方法，将其应用于游客城市酒店双因素体验特征及其差异机制研究中，为酒店体验研究提供一个系统的理论框架。研究发现游客酒店体验是内部环境和外部环境共同起作用的结果，结合酒店功能转型需要提出相应发展策略，为酒店韧性建设和高质量发展提供参考。
（2）当环境禀赋不同时，游客酒店体验具有较大差异。夫子庙酒店激励体验要素权重前三依次为区位地标、客房设施和酒店地段；新街口酒店激励体验要素权重前三依次为娱乐体验、客房卫生和交通体验；夫子庙酒店保健体验要素权重前三依次为前台服务、客房卫生和住宿价格；新街口酒店保健体验要素权重前三依次为酒店地段、客房设施和客房面积，由此反映出游客酒店体验重点关注要素受到环境禀赋影响，优先解决保健权重较高的因素，可以更有针对的提升酒店品质。
（3）采用满意/没有满意构成游客酒店体验的激励层面，不满意/没有不满意构成游客酒店体验的保健层面，发现游客酒店双因素体验的影响机制存在差异。具体表现在酒店氛围、区位地标、交通体验和娱乐体验是两地酒店激励体验共同点；客房面积、客房隔音、住宿价格和停车设施是保健体验共同点，由此反映出游客激励体验多与外部要素有关，保健体验多与内部要素有关，结合游客酒店体验制定经营管理策略，依托目的地资源为游客提供度假、休闲等多重体验，符合酒店功能转型的需要。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
谢谦, 陆明, 谢春山. 基于LBS和深度学习的旅游景区客流量的高时频预测[J]. 地球信息科学学报, 2023, 25(2):298-310.

DOI

[ Xie Q, Lu M, Xie C S. High-temporal-frequency forecast of tourist flow for tourist attraction based on LBS and deep learning[J]. Journal of Geo-information Science, 2023, 25(2):298-310. ] DOI:10.12082/dqxxkx.2023.220231

[2]
唐健雄, 李春艳, 孙桥, 等. 基于扎根理论的酒店数字化转型影响因素研究[J]. 人文地理, 2022, 37(3):151-162.

[ Tang J X, Li C Y, Sun Q, et al. Research on influencing factors of hotel digital transformation based on grounded theory[J]. Human Geography, 2022, 37(3):151-162. ] DOI:10.13959/j.issn.1003-2398.2022.03.016

[3]
李鹏, 邓爱民. “双循环”新发展格局下旅游业发展路径与策略[J]. 经济与管理评论, 2021, 37(5):21-30.

[ Li P, Deng A M. The development path and strategy of tourism under the new development pattern of “dual circulation”[J]. Review of Economy and Management, 2021, 37(5):21-30. ] DOI:10.13962/j.cnki.37-1486/f.2021.05.002

[4]
Nilashi M, Abumalloh R A, Alghamdi A, et al. What is the impact of service quality on customers' satisfaction during COVID-19 outbreak? New findings from online reviews analysis[J]. Telematics and Informatics, 2021, 64:101693. DOI:10.1016/j.tele.2021.101693

[5]
曾国军, 林家惠. 疫情背景下酒店业韧性建设与高质量发展[J]. 旅游学刊, 2022, 37(9):10-12.

[ Zeng GJ, Lin J H. Resilience construction and high-quality development of hotel industry under the background of epidemic situation[J]. Tourism Tribune, 2022, 37(9):10-12. ] DOI:10.19765/j.cnki.1002-5006.2022.09.005

[6]
皮常玲, 王璐, 郑向敏. 论疫情后酒店业态与康养的融合[J]. 社会科学家, 2022(11):65-74.

[ Pi C L, Wang L, Zheng X M. On the integration of hotel formatand health care after the epidemic[J]. Social Scientist, 2022(11):65-74. ]

[7]
Rodríguez-Molina M A, Frías-Jamilena D M, Castañeda-García J A. The contribution of website design to the generation of tourist destination image: The moderating effect of involvement[J]. Tourism Management, 2015, 47:303-317. DOI:10.1016/j.tourman.2014.10.001

[8]
Torres E N, Fu X X, Lehto X. Examining key drivers of customer delight in a hotel experience: A cross-cultural perspective[J]. International Journal of Hospitality Management, 2014, 36:255-262. DOI:10.1016/j.ijhm.2013.09.007

[9]
Cheng M M, Jin X. What do Airbnb users care about? An analysis of online review comments[J]. International Journal of Hospitality Management, 2019, 76:58-70. DOI:10.1016/j.ijhm.2018.04.004

[10]
熊伟, 黄媚娇, 黄苑妃. 酒店服务失败情境下顾客的负性情绪与宽容度的弹性变化[J]. 旅游科学, 2021, 35(4):53-75.

[ Xiong W, Huang M J, Huang Y F. Flexibility of customers’ emotional responses and forgiveness in hotel-service-failure situations[J]. Tourism Science, 2021, 35(4):53-75. ] DOI:10.16323/j.cnki.lykx.2021.04.004

[11]
王娟, 李亚娟, 吕丽, 胡静, 等. 基于互联网数据的住宿业竞争力及其空间格局——以武汉主城区高端酒店为例[J]. 地理科学进展, 2018, 37(10):1405-1415.

DOI

[ Wang J, Li Y J, Lv L, et al. Hotel competitiveness evaluation and spatial pattern based on Internet data: A case study of high-end hotels of Wuhan urban area[J]. Progress in Geography, 2018, 37(10):1405-1415.] DOI:10.18306/dlkxjz.2018.10.010

[12]
李阳, 刘文超, 刘明菊, 等. 基于网络游记分析的度假型综合体旅游体验研究——以长白山国际度假区为例[J]. 地域研究与开发, 2019, 38(1):116-122.

[ Li Y, Liu W C, Liu M J, et al. Tourism resort complex experience based on Internet blog content analysis: A case study of white mountain resort[J]. Areal Research and Development, 2019, 38(1):116-122. ] DOI:10.3969/j.issn.1003-2363.2019.01.022

[13]
Sthapit E. Antecedents of a memorable hotel experience: Finnish hotels perspective[J]. Current Issues in Tourism, 2019, 22(20):2458-2461. DOI:10.1080/13683500.2018.1518413

[14]
Knutson B J, Beck J A, Kim S, et al. Identifying the dimensions of the guest’s hotel experience[J]. Cornell Hospitality Quarterly, 2009, 50(1):44-55. DOI:10.1177/1938965508326305

[15]
唐文跃, 张腾飞, 龚晶晶. 国内外旅游体验研究进展与启示[J]. 资源开发与市场, 2018, 34(11):1571-1576,1551.

[ Tang W Y, Zhang T F, Gong J J. Research progress of tourism experience and enlightenment at home and abroad[J]. Resource Development, 2018, 34(11):1571-1576,1551. ] DOI:10.3969/j.issn.1005-8141.2018.11.015

[16]
徐虹, 李秋云. 顾客是如何评价体验质量的?——基于在线评论的事件-属性分析[J]. 旅游科学, 2016, 30(3):44-56.

[ Xu H, Li Q Y. On how consumers evaluate experience quality?—An incident-and-attributes-based approach of online reviews[J]. Tourism Science, 2016, 30(3):44-56. ] DOI:10.16323/j.cnki.lykx.2016.03.004

[17]
Luo J Q, Huang S S, Wang R W. A fine-grained sentiment analysis of online guest reviews of economy hotels in China[J]. Journal of Hospitality Marketing & Management, 2021, 30(1):71-95. DOI:10.1080/19368623.2020.1772163

[18]
Herzberg F. One more time: How do you motivate employees? 1968[J]. Harvard Business Review, 2003, 81(1):87-96.

PMID

[19]
刘百灵, 夏惠敏, 李延晖, 等. 保健和激励双因素视角下影响移动支付意愿的实证研究[J]. 管理学报, 2017, 14(4):600-608.

[ Liu B L, Xia H M, Li Y H, et al. An empirical study on user’s mobile payment willingness from the double perspectives of both hygiene and motivation[J]. Chinese Journal of Management, 2017, 14(4):600-608. ] DOI:10.3969/j.issn.1672-884x.2017.04.015.

[20]
史达, 张冰超, 衣博文. 游客的目的地感知是如何形成的?——基于文本挖掘的探索性研究[J]. 旅游学刊, 2022, 37(3):68-82.

[ Shi D, Zhang B C, Yi B W. How is tourist destination perception formed? Exploratory research based on text mining[J]. Tourism Tribune, 2022, 37(3):68-82. ] DOI:10.19765/j.cnki.1002-5006.2022.03.012

[21]
刘逸, 孟令坤, 保继刚, 等. 人工计算模型与机器学习模型的情感捕捉效度比较研究——以旅游评论数据为例[J]. 南开管理评论, 2021, 24(5):63-74.

[ Liu Y, Meng L K, Bao J G, et al. A comparative study of sentiment computing methods: Will machine learning be overwhelming?[J]. Nankai Business Review, 2021, 24(5):63-74. ]

[22]
陈瑶, 刘培学, 张建新, 等. 远方的家——中国游客共享型住宿的入住选择与体验研究[J]. 世界地理研究, 2020, 29(1):181-191.

DOI

[ Chen Y, Liu P X, Zhang J X, et al. Distant home:A study on the accommodation choice and experience of Chinese tourists in sharing accommodation[J]. World Regional Studies, 2020, 29(1):181-191. ]

DOI

[23]
Barnes S J, Mattsson J, Sørensen F, et al. Measuring employee-tourist encounter experience value: A big data analytics approach[J]. Expert Systems With Applications, 2020, 154:113450. DOI:10.1016/j.eswa.2020.113450

[24]
LeCun Y, Bengio Y, Hinton G. Deep learning[J]. Nature, 2015, 521(7553):436-444. DOI:10.1038/nature14539

[25]
Hinton G E, Osindero S, Teh Y W. A fast learning algorithm for deep belief nets[J]. Neural Computation, 2006, 18(7):1527-1554. DOI:10.1162/neco.2006.18.7.1527.

PMID

[26]
Zhang K, Chen Y, Li C L. Discovering the tourists' behaviors and perceptions in a tourism destination by analyzing photos' visual content with a computer deep learning model: The case of Beijing[J]. Tourism Management, 2019, 75:595-608. DOI:10.1016/j.tourman.2019.07.002

[27]
刘小安, 彭涛. 基于卷积神经网络的中文景点识别研究[J]. 计算机工程与应用, 2020, 56(4):140-145.

DOI

[ Liu X A, Peng T. Research on Chinese scenic spot named entity recognition based on convolutional neural network[J]. Computer Engineering and Applications, 2020, 56(4):140-145. ] DOI:10.3778/j.issn.1002-8331.1811-0020

[28]
Hu D C. An introductory survey on attention mechanisms in NLP problems[M]// Advances in Intelligent Systems and Computing. Cham: Springer International Publishing, 2019:432-448. DOI:10.1007/978-3-030-29513-4_31

[29]
Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need[C]// Proceedings of the 31st International Conference on Neural Information Processing Systems. New York: ACM, 2017:6000-6010. DOI:10.5555/3295222.3295349

[30]
史达, 王志敏. 绿色饭店用户体验——基于在线评论的深度学习研究[J]. 旅游科学, 2019, 33(6):62-76.

[ Shi D, Wang Z M. On green hotel user experience: A deep learning study based on online reviews[J]. Tourist Tourism Science, 2019, 33(6):62-76. ] DOI:10.16323/j.cnki.lykx.2019.06.005

[31]
周飞燕, 金林鹏, 董军. 卷积神经网络研究综述[J]. 计算机学报, 2017, 40(6):1229-1251.

[ Zhou F Y, Jin L P, Dong J. Review of convolutional neural network[J]. Chinese Journal of Computers, 2017, 40(6):1229-1251. ] DOI:10.11897/SP.J.1016.2017.01229

[32]
Bennett P N, Dumais S T, Horvitz E. The combination of text classifiers using reliability indicators[J]. Information Retrieval, 2005, 8(1):67-100. DOI:10.1023/B:INRT.0000048491.59134.94

[33]
苏金树, 张博锋, 徐昕. 基于机器学习的文本分类技术研究进展[J]. 软件学报, 2006(9):1848-1859.

[ Su J S, Zhang B F, Xu X. Advances in machine learning based text categorization[J]. Journal of Software, 2006, 17(9):1848-1859. ]

DOI

[34]
Schuster M, Paliwal K K. Bidirectional recurrent neural networks[J]. IEEE Transactions on Signal Processing, 1997, 45(11):2673-2681. DOI:10.1109/78.650093

[35]
朱张莉, 饶元, 吴渊, 等. 注意力机制在深度学习中的研究进展[J]. 中文信息学报, 2019, 33(6):1-11.

[ Zhu Z L, Rao Y, Wu Y, et al. Research progress of attention mechanism in deep learning[J]. Journal of Chinese Information Processing, 2019, 33(6):1-11. ] DOI:10.3969/j.issn.1003-0077.2019.06.001

[36]
王肖婧, 曹蓉, 刘文瑞. 评赫茨伯格双因素理论——兼论实证研究在管理研究中的局限[J]. 管理学报, 2018, 15(11):1611-1620.

[ Wang X J, Cao R, Liu W R. A review of the Herzberg's two-factor theory-Discuss the limitation of the empirical study in management research[J]. Chinese Journal of Management, 2018, 15(11):1611-1620. ] DOI:10.3969/j.issn.1672-884x.2018.11.004

[37]
靳诚, 徐菁. 南京市对外交通节点与酒店之间游客流动空间特征分析[J]. 人文地理, 2016, 31(5):55-62.

[ Jin C, Xu J. Study on the tourists flow among external transport nodes and hotels in Nanjing[J]. Human Geography, 2016, 31(5):55-62. ] DOI:10.13959/j.issn.1003-2398.2016.05.009

[38]
马桂真, 彭霞. 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[J]. 北京联合大学学报, 2021, 35(2):58-68.

[ Ma G Z, Peng X. Topic mining and sentiment analysis of tourist reviews based on the big data of hotel reviews: A case study of Beijing five-star hotels[J]. Journal of Beijing Union University, 2021, 35(2):58-68. ] DOI:10.16255/j.cnki.ldxbz.2021.02.010

[39]
郑淞尹, 孙传明, 谈国新. 基于文本挖掘的中外游客文化感知差异——以世界遗产地为例[J]. 华侨大学学报(哲学社会科学版), 2022(1):64-77.

[ Zheng S Y, Sun C M, Tan G X. Cultural perception differences between Chinese and Foreign tourists about world heritage sites based on text[J]. Journal of Huaqiao University (Philosophy &Social Sciences), 2022(1):64-77. ] DOI:10.16067/j.cnki.35-1049/c.2022.01.009

Options
文章导航

/

〈 〉