基于回头客在线评论的餐饮消费满意度影响因素分析.docx

? ? 基于回头客在线评论的餐饮消费满意度影响因素分析 ? ? 李薇 杨东山 摘要：线上餐饮平台兴起后，更多的消费者选择在网上订餐，在线评论数据量急剧增加。大量的评论数据背后隐藏着消费者对于美食的满意度因素，这些文本数据客观地反映了消费者的满意度情况，其中，回头客再次选择的因素更加值得餐饮商家关注。文章以美团网站五种餐饮类别的50 000条数据为研究对象，对文本数据进行词频统计、语义网络图和系统聚类分析，认为影响回头客满意度的主要因素依次为餐品味道、菜品种类、服务态度、环境整洁及价格实惠。 关键词：文本挖掘;系统聚类;语义网络;可视化分析 大数据给传统餐饮行业带来了巨大的挑战，它改变了传统餐饮行业的管理模式和营销方式，推动着餐饮行业的发展。第46次《中国互联网络发展状况统计报告》统计，截至2020年6月，我国网民的规模达到9.40亿，互联网的普及率达到67.0%，其中，我国网上订餐规模达到4.09亿，占网民规模的43.5%且占比增速较快。 据中国产业经济信息网数据显示，2019年，全国餐饮收入达到46 721亿元，同比增长9.4%。但是，餐饮行业的竞争压力大，线上餐饮平台的兴起带动线下餐饮向线上餐饮转变，现在大多数餐饮商家都和第三方平台如美团、饿了么和大众点评等进行合作。餐饮商家通过这些餐饮平台，提供美食的信息以供消费者选购。 但是，消费者很难依据餐饮商家提供的美食信息做出购买行为，因为商家提供的信息是具有自利性和美化效果的，大多数消费者只能通过其他消费者的评论来判断美食的味道、服务的质量和环境的好坏。商家也可以通过这些文本评论来了解消费者的消费偏好，从而对自己的菜品进行改善，提升竞争力。因此，如何在众多的在线评论中挖掘出背后隐含的信息就显得非常重要。 本文基于美团网站回头客的餐饮消费评论，通过网络爬蟲技术抓取美食中甜点饮品、火锅、自助餐、小吃快餐和烧烤烤肉五类有关的50 000条在线评论，找出消费者满意度的影响因素。 一、文献综述 1960年，Maron等发表了第一篇有关自动分类的论文[1]，此后，这一领域的研究成果开始逐渐增加。Baek等使用Web数据搜寻器从A收集了75 226条在线消费者评论数据，对评论文本进行情感分析，其结果表明，包括评论等级和评论者信誉的外围提示，以及诸如评论内容之类的核心提示，都会影响评论的有用性。基于双重过程理论，我们发现消费者将重点放在不同的评论信息源上，这取决于他们阅读评论的目的：在线评论可用于信息搜索或评估替代方案，为在线市场所有者提供了有关如何在其网站上管理在线评论的新观点[2]。Cao等考察了在线评论的各种功能（即基本风格和语义特征），将文本挖掘技术用于从评论文本中提取语义特征，得出语义特征在影响投票评论比其他特征更具影响力这一结论[3]。Reyes等在亚马逊网站收集了具有“讽刺”意味的评论，并使用三个分类器进行了评估，初步结果表明，这些评论在很大程度上是积极的，并提供了对诸如情感分析、观点挖掘和决策之类的语言的相关建议[4]。Pu等利用多个特征来识别相关的意见句子，然后利用支持向量机（support vector machines，SVM）对总体意见句子进行编码，以进行文档情感分类，用产品评论和电影评论证明了其有效性[5]。 相对于英语而言，中文词语在不同的语境中有着不同的寓意，中文词语的复杂性导致了我国文本挖掘发展速度相对较慢。但随着互联网、电子商务的迅速发展，线上餐饮业产生了大量的评论信息，如何利用文本挖掘技术从海量的评论中获取有用的信息也成为众多学者研究的热点。关菲等利用三层贝叶斯概率模型（latent dirichlet allocation，LDA）主题模型对评论主题进行划分，通过高频词和语义网分析消费者的关注点 [6]。范宁利用携程网民宿的评论文本数据进行可视化分析（词云图和语义网络）和LDA主题模型分析，最后利用层次聚类分析得出客房硬件、总体服务、餐饮、地理位置和性价比是其重要的五个因素这一结论 [7]。王海宇以Apriori算法为基础，通过R语言探寻服装品类重复购买影响因素与重复购买行为间的关联强弱关系[8]。伊秀娟通过改进Single-pass算法的相似度计算方式，解决了其聚类对于文档输入顺序敏感的问题[9]。司利红利用LDA主题提取不同类别主题词，再用词频和共现度筛选出一级主题词，利用Word2vec相似词提取得到二级主题词，从而保证了主题词的全面性[10]。对食客的评论数据，宋悦用扎根理论进行开放性编码、选择性编码和理论性编码，分析不同类型餐厅的核心影响因素[11]。张红霞通过对生鲜产品评论数据的文本挖掘，探寻消费者关注的因素，运用内容分析方法进行编码分析，并用回归和四分图模型分析影响消费者满意度的因素[12]。张华泉等结合服务质量理论和消费者满意度理论