基于多模态数据语义融合的旅游在线评论有用性识别研究

情报学报

2020, Vol. 39

Issue (2): 199-207

情报分析方法与技术

本期目录 | 过刊浏览 | 高级检索

基于多模态数据语义融合的旅游在线评论有用性识别研究

马超, 李纲, 陈思菁, 毛进, 张霁

武汉大学信息资源研究中心，武汉 430072

Research on Usefulness Recognition of Tourism Online Reviews Based on Multimodal Data Semantic Fusion

Ma Chao, Li Gang, Chen Sijing, Mao Jin, Zhang Ji

Center for Studies of Information Resources, Wuhan University, Wuhan 430072

摘要
图/表
参考文献
相关文章 (15)

全文: PDF (1699 KB) HTML (94 KB)
输出: BibTeX | EndNote (RIS)

摘要为有效识别旅游产品在线评论中多模态数据对在线评论感知有用性的影响因素，探究基于用户生成内容的在线旅游产品优化方法，从数据融合分析角度出发，对旅游产品在线评论中的多模态数据进行特征融合。以旅游产品的真实在线评论数据作为研究对象，进行描述性统计分析，同时使用机器学习和深度学习方法，进行文本向量嵌入与图片内容识别，融合图文特征向量，构建多模态在线评论有用性分类模型，进行模型测试。实验结果表明，与仅包含文本或仅包含图片的单模态评论相比，图文结合的多模态评论能够更好地进行在线评论有用性预测，结合评论激励机制，提高在线评论质量，能够充分发挥用户生成内容潜在价值，为产品提供者提供优化思路，为产品消费者提供决策支持。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	马超
	李纲
	陈思菁
	毛进
	张霁

关键词 ：在线评论, 多模态数据, 图像识别, 特征融合, 深度学习

收稿日期: 2019-07-01

基金资助:国家自然科学基金重大项目“国家安全大数据综合信息集成与分析方法”（71790612）；国家重点研发计划项目“长江中游城市群综合科技服务平台研发与应用示范”（2018YFB1404300）。

作者简介: 马超，男，1990年生，博士研究生，研究方向为信息组织、多模态数据融合

引用本文:

马超, 李纲, 陈思菁, 毛进, 张霁. 基于多模态数据语义融合的旅游在线评论有用性识别研究[J]. 情报学报, 2020, 39(2): 199-207.
Ma Chao, Li Gang, Chen Sijing, Mao Jin, Zhang Ji. Research on Usefulness Recognition of Tourism Online Reviews Based on Multimodal Data Semantic Fusion. 情报学报, 2020, 39(2): 199-207.

链接本文:

https://qbxb.istic.ac.cn/CN/ 或 https://qbxb.istic.ac.cn/CN/Y2020/V39/I2/199

1 张补宏, 周旋, 广新菊. 国内外旅游在线评论研究综述[J]. 地理与地理信息科学, 2017, 33(5): 119-126.
2 徐峰. 在线信息对不同城市类型酒店网上预订量的影响研究——以携程网数据为例[J]. 商业经济与管理, 2013(7): 73-80.
3 张思豆, 李君轶, 魏欢. 旅游电商平台在线评论的可信度研究——以“阿里旅行·西安东线一日游”旅游产品为例[J]. 旅游学刊, 2016, 31(11): 74-84.
4 MudambiS M, SchuffD. What makes a helpful review? A study of customer reviews on Amazon. com[J]. MIS Quarterly, 2010, 34(1): 185-200.
5 SussmanS W, SiegalW S. Informational influence in organizations: An integrated approach to knowledge adoption[J]. Information Systems Research, 2003, 14(1): 47-65.
6 卓四清, 冯永洲. 在线评论有用性影响因素实证研究——基于Tripadvisor.com酒店评论数据[J]. 现代情报, 2015, 35(4): 52-56, 74.
7 GhoseA, IpeirotisP G. Estimating the helpfulness and economic impact of product reviews: Mining text and reviewer characteristics[J]. IEEE Transactions on Knowledge and Data Engineering, 2011, 23(10): 1498-1512.
8 殷国鹏. 消费者认为怎样的在线评论更有用?——社会性因素的影响效应[J]. 管理世界, 2012(12): 115-124.
9 KorfiatisN, García-BariocanalE, Sánchez-AlonsoS. Evaluating content quality and helpfulness of online product reviews: The interplay of review helpfulness vs. review content[J]. Electronic Commerce Research and Applications, 2012, 11(3): 205-217.
10 吴江, 刘弯弯. 什么样的评论更容易获得有用性投票——以亚马逊网站研究为例[J]. 数据分析与知识发现, 2017(9): 16-27.
11 黄麒, 张心雨, 刘嘉月. 基于在线购物数据评论的有用性影响因素研究[J]. 中国市场, 2017(1): 28-31.
12 闵庆飞, 覃亮, 张克亮. 影响在线评论有用性的因素研究[J]. 管理评论, 2017, 29(10): 95-107.
13 霍红, 张晨鑫. 在线评论质量丰富度对购买异质性产品的影响[J]. 企业经济, 2018, 37(6): 77-83.
14 汪旭晖, 陈鑫. 用户生成内容的图文匹配对消费者感知有用性的影响[J]. 管理科学, 2018, 31(1): 101-115.
15 MaY F, XiangZ, DuQ Z, et al. Effects of user-provided photos on hotel review helpfulness: An analytical approach with deep leaning[J]. International Journal of Hospitality Management, 2018, 71: 120-131.
16 Baltru?aitisT, AhujaC, MorencyL P. Multimodal machine learning: A survey and taxonomy[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2019, 41(2): 423-443.
17 BernardiR, CakiciR, ElliottD, et al. Automatic description generation from images: A survey of models, datasets, and evaluation measures[J]. Journal of Artificial Intelligence Research, 2016, 55: 409-442.
18 MaoJ H, XuW, YangY, et al. Deep captioning with multimodal recurrent neural networks (m-RNN)[OL]. https://arxiv.org/abs/1412.6632.
19 Vinyals O, Toshev A, Bengio S,et al. Show and tell: A neural image caption generator[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. New York: IEEE, 2015: 3156-3164.
20 Song Y, Shi S M, Li J,et al. Directional skip-gram: Explicitly distinguishing left and right context for word embeddings[C]// Proceedings of the 2018 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies. Stroudsburg: Association for Computational Linguistics, 2018, 2: 175-180.
21 Vaswani A, Shazeer N, Parmar N,et al. Attention is all you need[C]// Proceedings of the Conference on Advances in Neural Information Processing Systems. 2017: 5998-6008.
22 DevlinJ, ChangM W, LeeK, et al. BERT: Pre-training of deep bidirectional transformers for language understanding[OL]. https://arxiv.org/abs/1810.04805.
23 HubelD H, WieselT N. Receptive fields and functional architecture of monkey striate cortex[J]. The Journal of Physiology, 1968, 195(1): 215-243
24 He K M, Zhang X Y, Ren S Q,et al. Deep residual learning for image recognition[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. New York: IEEE, 2016: 770-778.
25 Huang G, Liu Z, van der Maaten L,et al. Densely connected convolutional networks[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. New York: IEEE, 2017: 3.
26 Szegedy C, Vanhoucke V, Ioffe S,et al. Rethinking the inception architecture for computer vision[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. New York: IEEE, 2016: 2818-2826.
27 IandolaF N, HanS, MoskewiczM W, et al. Squeezenet: Alexnet-level accuracy with 50x fewer parameters and< 0.5 mb model size[OL]. https://arxiv.org/abs/1602.07360.
28 刘宪立, 赵昆. 在线评论有用性关键影响因素识别研究[J]. 现代情报, 2017, 37(1): 94-99, 105.
29 张鑫, 朱振中. 在线评论有用性影响因素研究综述[J]. 商业经济研究, 2017(17): 82-84.
30 秦芬, 李扬. 用户生成内容激励机制研究综述及展望[J]. 外国经济与管理, 2018, 40(8): 141-152.
31 SunY C, DongX J, McIntyreS. Motivation of user-generated content: Social connectedness moderates the effects of monetary rewards[J]. Marketing Science, 2017, 36(3): 329-337.
32 ToubiaO, StephenA T. Intrinsic vs. image-related utility in social media: Why do people contribute content to twitter?[J]. Marketing Science, 2013, 32(3): 368-392.