阅读说明：本技术 一种旅游景点网络口碑评价方法、系统及电子设备 (Network public praise evaluation method and system for scenic spots and electronic equipment ) 是由 胡师彦 董倩 于 2019-08-30 设计创作，主要内容包括：本发明公开一种旅游景点网络口碑评价方法、系统及电子设备,所述旅游景点网络口碑评价方法包括：对待分析口碑评论数据进行预处理,以得到训练集和待分类数据集；利用所述训练集训练卷积神经网络,以得到维度分类模型；将所述待分类数据集输入至所述维度分类模型,以得到维度分类结果；通过决策树对所述维度分类结果进行情感分析,得出口碑评价。本发明能够针对旅游景点的具体服务类型进行口碑评价。(The invention discloses a method, a system and electronic equipment for evaluating network public praise of tourist attractions, wherein the method for evaluating the network public praise of the tourist attractions comprises the following steps: preprocessing public praise comment data to be analyzed to obtain a training set and a data set to be classified; training a convolutional neural network by using the training set to obtain a dimension classification model; inputting the data set to be classified into the dimension classification model to obtain a dimension classification result; and performing sentiment analysis on the dimension classification result through a decision tree to obtain public praise evaluation. The invention can perform public praise evaluation aiming at the specific service types of the scenic spots.)

一种旅游景点网络口碑评价方法、系统及电子设备

技术领域

本发明涉及机器学习技术领域，特别是涉及一种旅游景点网络口碑评价方法、系统及电子设备。

背景技术

旅游景点作为一个服务类型的产品，由于其生产和消费的同时性等特点使得消费者无法对产品进行试用。因此旅游景点的市场口碑成为了消费者在购买产品之前重要的参考资料。相对于电视，广告等促销方式，旅游景点的市场口碑在消费者心目中的可信度要高很多。随着旅游电子商务的发展，消费者可以将自己对旅游景点的评价分享到网络平台。网络上海量真实的网络评价构成了一个旅游景点的口碑形象。然而消费者要想从这些海量的网络评价中归纳总结出旅游景点各个服务类型的口碑是比较困难的。因为第三方网络旅游景点网络口碑评价系统应运而生。旅游景点网络口碑评价的结果不仅仅服务于消费者使其做出更好的决策，更能够让旅游景点的管理者发展优化酒店的不足之处。

现有技术中的口碑评价方法及系统只对景点服务口碑做总体性的好坏口碑评价，并没有针对旅游景点的具体服务类型进行口碑评价。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种旅游景点网络口碑评价方法、系统及电子设备，用于解决现有技术中的口碑评价方法及系统只对景点服务口碑做总体性的好坏口碑评价，并没有针对旅游景点的具体服务类型进行口碑评价的问题。

为实现上述目的及其他相关目的，本发明提供一种旅游景点网络口碑评价方法，所述旅游景点网络口碑评价方法包括：

对待分析口碑评论数据进行预处理，以得到训练集和待分类数据集；

利用所述训练集训练卷积神经网络，以得到维度分类模型；

将所述待分类数据集输入至所述维度分类模型，以得到维度分类结果；

通过决策树对所述维度分类结果进行情感分析，得出口碑评价。

在本发明的一实施例中，所述对待分析口碑评论数据进行预处理，以得到训练集和待分类数据集的步骤包括：

根据所述待分析口碑评论数据，以得到向量；

根据所述待分析口碑评论数据，以得到词向量矩阵；

根据所述向量和词向量矩阵，以得到所述训练集和待分类数据集。

在本发明的一实施例中，所述根据所述待分析口碑评论数据，以得到向量的步骤包括：

对所述待分析口碑评论数据的句子进行分类，以得到句子分类结果；

对所述句子分类结果进行转化，以得到所述向量。

在本发明的一实施例中，所述根据所述待分析口碑评论数据，以得到词向量矩阵的步骤包括：

对所述待分析口碑评论数据的句子进行分割，以得到分割句子；

对所述分割句子进行分词，以得到单句分词结果；

对所述单句分词结果进行转化，以得到所述词向量矩阵。

在本发明的一实施例中，所述旅游景点网络口碑评价方法还包括：获取所述待分析口碑评论数据。

在本发明的一实施例中，所述利用所述训练集训练卷积神经网络，以得到维度分类模型的步骤包括：

初始化所述卷积神经网络的参数；

将所述训练集导入所述卷积神经网络，以得到训练集分类结果；

对所述训练集分类结果进行误差分析，以得到误差分析结果；

判断所述误差分析结果是否收敛至设定阈值，如果收敛至所述设定阈值，则得到维度分类模型；如果未收敛至所述设定阈值，则重新将所述训练集导入所述卷积神经网络。

为实现上述目的，本发明还提供一种旅游景点网络口碑评价系统，所述旅游景点网络口碑评价系统包括：

预处理器，用于对待分析口碑评论数据进行预处理，以得到训练集和待分类数据集；

维度分类模型获取器，用于利用所述训练集训练卷积神经网络，以得到维度分类模型；

维度分类结果获取器，用于将所述待分类数据集输入至所述维度分类模型，以得到维度分类结果；

口碑评价获取器，用于通过决策树对所述维度分类结果进行情感分析，得出口碑评价。

在本发明的一实施例中，所述旅游景点网络口碑评价系统还包括口碑评论数据获取器，所述口碑评论数据获取器用于获取所述待分析口碑评论数据。

在本发明的一实施例中，所述预处理器包括：

向量获取器，用于根据所述待分析口碑评论数据，以得到向量；

词向量矩阵器，用于根据所述待分析口碑评论数据，以得到词向量矩阵；

训练集和待分类数据集器，用于根据所述向量和词向量矩阵，以得到所述训练集和待分类数据集。

为实现上述目的，本发明还提供一种电子设备，包括处理器和存储器，所述存储器存储有程序指令，所述处理器运行程序指令实现上述的旅游景点网络口碑评价方法。

如上所述，本发明的一种旅游景点网络口碑评价方法、系统及电子设备，具有以下有益效果：

本发明的一种旅游景点网络口碑评价方法包括首先对待分析口碑评论数据进行预处理，以得到训练集和待分类数据集；利用所述训练集训练卷积神经网络，以得到维度分类模型；将所述待分类数据集输入至所述维度分类模型，以得到维度分类结果；通过决策树对所述维度分类结果进行情感分析，得出口碑评价。利用本发明的旅游景点网络口碑评价方法不但对网络评价做了基本的正面或负面评价标签，而且还对网络评价所涉及的维度，即为服务类型做出了分类，得出了更加丰富的服务类型口碑。本发明能够针对旅游景点的具体服务类型进行口碑评价。避免了游客需要结合更加具体的服务评价来作为参考资料的现象发生。

本发明的旅游景点网络口碑评价方法在进行高维度数据处理时，大大降低了计算量和复杂度。本发明大大提高了数据处理效率，有利于对用户评价进行处理。

本发明的旅游景点网络口碑评价系统包括预处理器、维度分类模型获取器、维度分类结果获取器、口碑评价获取器。本发明的旅游景点网络口碑评价系统不仅能够对景点服务口碑做总体性的好坏口碑评价，还可以针对旅游景点的具体服务类型进行口碑评价。

附图说明

图1为本申请的一个实施例提供的一种旅游景点网络口碑评价方法的工作流程图。

图2为本申请的又一个实施例提供的一种旅游景点网络口碑评价方法的工作流程图。

图3为本申请实施例提供的图1中一种旅游景点网络口碑评价方法的步骤S1的工作流程图。

图4为本申请实施例提供的图3中一种旅游景点网络口碑评价方法的步骤S11的工作流程图。

图5为本申请实施例提供的图3中一种旅游景点网络口碑评价方法的步骤S12的工作流程图。

图6为本申请实施例提供的图1中一种旅游景点网络口碑评价方法的步骤S2的工作流程图。

图7为本申请的一个实施例提供的一种旅游景点网络口碑评价系统的结构框图。

图8为本申请的又一个实施例提供的一种旅游景点网络口碑评价系统的结构框图。

图9为本申请实施例提供的一种旅游景点网络口碑评价系统的预处理器的结构框图。

图10为本申请一个实施例提供的一种旅游景点网络口碑评价系统的实现的硬件结构图。

图11为本申请又一个实施例提供的一种旅游景点网络口碑评价系统的实现的硬件结构图。

图12为本申请实施例提供的一种电子设备的结构框图。

图13为本申请实施例提供的一种旅游景点网络口碑评价方法的卷积神经网络的文本分类结构图。

元件标号说明

1 处理器

2 存储器

3 句子向量

4 卷积核

5 特征提取结果

6 特征简化结果

7 服务类型

10 预处理器

11 向量获取器

12 词向量矩阵器

13 训练集和待分类数据集器

20 维度分类模型获取器

30 维度分类结果获取器

40 口碑评价获取器

50 口碑评论数据获取器

S0～S4 步骤

S11～S13 步骤

S111、S1112 步骤

S121～S123 步骤

S21～S25 步骤

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

请参阅图1，图1为本申请的一个实施例提供的一种旅游景点网络口碑评价方法的工作流程图。一种旅游景点网络口碑评价方法，所述旅游景点网络口碑评价方法包括：S1、对待分析口碑评论数据进行预处理，以得到训练集和待分类数据集。S2、利用所述训练集训练卷积神经网络，以得到维度分类模型。S3、将所述待分类数据集输入至所述维度分类模型，以得到维度分类结果。S4、通过决策树对所述维度分类结果进行情感分析，得出口碑评价。请参阅图2，图2为本申请的又一个实施例提供的一种旅游景点网络口碑评价方法的工作流程图。再进行步骤S1之前，所述旅游景点网络口碑评价方法还包括步骤S0，所述步骤S0为获取所述待分析口碑评论数据。获取所述待分析口碑评论数据的手段包括但不限于使用爬虫技术从旅游平台抓取景点评价样本。具体的，步骤S1可以但不限于结合隐马尔可夫模型(Hidden Markov Model)和word2vec对待分析口碑评论数据进行预处理。具体的，步骤S4可以但不限于使用决策树(Decision Tree)对所述维度分类结果进行情感分析，以得出口碑评价。决策树是一种附加结果结果二叉树状的决策树，是直观的运用统计概率分析的方法。机器学习中的决策树通常用于预测模型回归模型。决策树应用于情感分析是被看做是一个回归问题以0-1数值量化情感程度得出更加精确的口碑评价星级。决策树是一种树形结构，其中每个子节点代表一个属性上的测试，每个分支代表一个测试输出，每一叶子节点代表一种分类输出或者情感程度输出。决策树建立的重点在于对特征的选择即判断条件子节点的选择，合适的特征值的选择可以快速的分类，减少决策树的深度。信息熵用来表示数据集的不确定性，均匀分布的数据集信息熵最大，当一个特征对数据集进行分类时，分类后数据集的信息熵和分类前的信息熵的差值叫做信息增益。决策树选取信息增益较大的特征做判断子节点。所述隐马尔可夫模型(Hidden Markov Model，HMM)的本质是从观察的参数中获取隐含的参数信息，并且前后之间的特征会存在部分的依赖影响。在分词方面就是在知道句子序列O＝{O₁,O₂,O₃......O_n}情况下找出最优可能即最大概率出现的分词序列S＝{S₁,S₂,S₃......S_N}。所述隐马尔可夫模型包括五个元组：状态集：Q＝{Q₁,Q₂,Q₃....Q_N}，N为可能的状态数。观测集：V＝{V¹,V₂,V₃....V_M}，M为可能的观测数。转移概率：A＝[a_ij]其中a_ij表示从状态i到状态j的转移概率。观测概率矩阵：B＝[b_j(k)]其中b_j(k)表示在状态j的情况下生成观测的V_K的概率。初始状态分布：π。例如：状态集合Q＝{B,E,M,S}，分别表示词的开始，结束，中间，以及字符独立成词。例如：“今天天气不错”，可以通过隐马尔可夫模型求解得到的状态序列是“BEBEBE”。则分词结果为今天/天气/不错。分词的过程就是在得知状态之间的转移概率以及初始概率的前提下，对于句子序列O＝{O₁,O₂,O₃......O_n}，找到一个分词序列S＝{S₁,S₂,S₃......S_N}，使得P(S|0)条件概率的值最大。步骤S2中的所述卷积神经网络是利用人观察事物先抓住事物的主要特征，而演化产生的卷积神经网络，由于增加了卷积层即为局部感知，以及池化层即为特征简化，解决上述高维度数据处理时计算量和复杂度增大的问题。请参阅图13，图13为本申请实施例提供的一种旅游景点网络口碑评价方法的卷积神经网络的文本分类结构图。维度分类模型的输入是句子向量3，使用卷积核4对所述句子向量3做卷积特征提取，得到特征提取结果5即为1*n的特征向量，每个卷积核得出一个特征向量。池化层对简化特征向量简化组合以得到特征简化结果6，即提取每个特征向量的最大值结合组成一个新的特征向量。简化的特征向量经过一个全连接层，全连接层的输出接入一个softmax层得出one_hot分类结果向量，最后得出两个服务类型7。在所述卷积神经网络的全连接层加入dropout技术防止模型过于拟合训练数据的预测结果而在测试集进行测试时预测准确度较低。本发明的旅游景点网络口碑评价方法可以应用于旅游评价技术领域中，以得出旅游景点各类服务类型的口碑评价等级。

请参阅图3、图4、图5，图3为本申请实施例提供的图1中一种旅游景点网络口碑评价方法的步骤S1的工作流程图。图4为本申请实施例提供的图3中一种旅游景点网络口碑评价方法的步骤S11的工作流程图。图5为本申请实施例提供的图3中一种旅游景点网络口碑评价方法的步骤S12的工作流程图。S11、根据所述待分析口碑评论数据，以得到向量。S12、根据所述待分析口碑评论数据，以得到词向量矩阵。S13、根据所述向量和词向量矩阵，以得到所述训练集和待分类数据集。具体的，步骤S11和步骤S12之间并没有明确的先后操作顺序，可以先进行步骤S11的根据所述待分析口碑评论数据，以得到向量，再进行步骤S12的根据所述待分析口碑评论数据，以得到词向量矩阵。也可以先进行步骤S12的根据所述待分析口碑评论数据，以得到词向量矩阵，再进行步骤S11的根据所述待分析口碑评论数据，以得到向量。其中的，步骤S11所述根据所述待分析口碑评论数据，以得到向量的步骤包括：S111、对所述待分析口碑评论数据的句子进行分类，以得到句子分类结果。S112、对所述句子分类结果进行转化，以得到所述向量。其中的，步骤S12所述根据所述待分析口碑评论数据，以得到词向量矩阵的步骤包括：S121、对所述待分析口碑评论数据的句子进行分割，以得到分割句子。S122、对所述分割句子进行分词，以得到单句分词结果。S123、对所述单句分词结果进行转化，以得到所述词向量矩阵。具体的，所述口碑评价方法还包括对所述待分析口碑评论数据分句并设置标签，可以但不限于以分隔符为界限将所述待分析口碑评论数据的句子拆分，句子中的逗号最为一个句子的结束和下一个句子的开始，对拆分后的句子设置标签。所述标签分为两部分：第一部分句子涉及的维度分类结果即为服务类型，第二部分是对服务类型的评价。例如：“就是交通不方便”。本句子的标签是：外部交通-负。

请参阅图6，图6为本申请实施例提供的图1中一种旅游景点网络口碑评价方法的步骤S2的工作流程图。所述利用所述训练集训练卷积神经网络，以得到维度分类模型的步骤包括：S21、初始化所述卷积神经网络的参数。S22、将所述训练集导入所述卷积神经网络，以得到训练集分类结果。S23、对所述训练集分类结果进行误差分析，以得到误差分析结果。S24、判断所述误差分析结果是否收敛至设定阈值，如果收敛至所述设定阈值，则进行步骤S25操作。S25、得到维度分类模型。如果未收敛至所述设定阈值，则进行步骤S22操作，重新将所述训练集导入所述卷积神经网络。具体的，所述卷积神经网络的参数包括但不限于全连接网络的权值。

请参阅图7、图8、图9，图7为本申请的一个实施例提供的一种旅游景点网络口碑评价系统的结构框图。图8为本申请的又一个实施例提供的一种旅游景点网络口碑评价系统的结构框图。图9为本申请实施例提供的一种旅游景点网络口碑评价系统的预处理器的结构框图。与本发明的一种旅游景点网络口碑评价方法原理相似的是，本发明还提供了一种旅游景点网络口碑评价系统，整个所述旅游景点网络口碑评价系统可以在计算机系统或服务器系统中实现，所述计算机系统或服务器系统包括但不限于：预处理器10、维度分类模型获取器20、维度分类结果获取器30口碑评价获取器40、口碑评论数据获取器50。所述旅游景点网络口碑评价系统包括：预处理器10、维度分类模型获取器20、维度分类结果获取器30口碑评价获取器40。所述预处理器10、维度分类模型获取器20、维度分类结果获取器30、口碑评价获取器40依次相连接。所述预处理器10用于对待分析口碑评论数据进行预处理，以得到训练集和待分类数据集。所述维度分类模型获取器20用于利用所述训练集训练卷积神经网络，以得到维度分类模型。所述维度分类结果获取器30用于将所述待分类数据集输入至所述维度分类模型，以得到维度分类结果。所述口碑评价获取器40用于通过决策树对所述维度分类结果进行情感分析，得出口碑评价。所述旅游景点网络口碑评价系统还包括口碑评论数据获取器50，所述口碑评论数据获取器50用于获取所述待分析口碑评论数据。所述口碑评论数据获取器50与所述预处理器10相连接。所述预处理器10包括向量获取器11、词向量矩阵器12、训练集和待分类数据集器13。所述向量获取器11用于根据所述待分析口碑评论数据，以得到向量。所述词向量矩阵器12用于根据所述待分析口碑评论数据，以得到词向量矩阵。所述训练集和待分类数据集器13用于根据所述向量和词向量矩阵，以得到所述训练集和待分类数据集。请参阅图10、图11，图10为本申请一个实施例提供的一种旅游景点网络口碑评价系统的实现的硬件结构图。图11为本申请又一个实施例提供的一种旅游景点网络口碑评价系统的实现的硬件结构图。本发明的一种旅游景点网络口碑评价系统可以但不限于在笔记本电脑或台式电脑或服务器上实现，所述旅游景点网络口碑评价系统中的所述预处理器10、维度分类模型获取器20、维度分类结果获取器30口碑评价获取器40、口碑评论数据获取器50可以但不限于在笔记本电脑或台式电脑或服务器上实现。请参阅图12，图12为本申请实施例提供的一种电子设备的结构框图。本发明还提供了一种电子设备，包括处理器1和存储器2，所述存储器2存储有程序指令，所述处理器1运行程序指令实现上述的口碑评价方法。

本发明的一种旅游景点网络口碑评价方法包括首先S1、对待分析口碑评论数据进行预处理，以得到训练集和待分类数据集。S2、利用所述训练集训练卷积神经网络，以得到维度分类模型。S3、将所述待分类数据集输入至所述维度分类模型，以得到维度分类结果。S4、通过决策树对所述维度分类结果进行情感分析，得出口碑评价。利用本发明的口碑评价方法不但对网络评价做了基本的正面或负面评价标签，而且还对网络评价所涉及的维度，即为服务类型做出了分类，得出了更加丰富的服务类型口碑。本发明能够针对旅游景点的具体服务类型进行口碑评价。避免了游客需要结合更加具体的服务评价来作为参考资料的现象发生。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。