【作者】 陈婷；

【导师】 张自然；

【作者基本信息】 华中师范大学 ， 图书情报（专业学位）， 2021， 硕士

【摘要】 信息技术的飞速发展使得网络逐渐渗透到我们日常生活的众多领域,旅游也渐渐地从线下延伸到了线上。随着在线旅游的兴起和网络旅游社区的出现,越来越多的旅游者会在做出旅行决定前在互联网上搜索相关产品的介绍及其他旅游者对旅游的评论信息,网络评论对于旅游者的旅游决策有着重要的影响。旅游社区中的点评内容大多真是反映了旅游者所见、所感、所想。如果充分收集这些信息并对其进行综合分析,直观地揭示游客关于旅游服务要素的褒贬态度或情感倾向,将有助于旅游者了解先行者对某个旅游地的情感倾向,优化旅游决策;旅游经营者可以了解游客的意见或褒贬态度,从而扬长避短,进行产品定制或方案改进,赢得竞争优势。人格特质指组成人格的因素引发个体行为和主动引导人的行为,并使个体面对不同种类的刺激作出相同反应的心理结构。传统上,研究者一般釆用自陈量表釆集人格特质据,即要求受试者按照实际情形,对自己的人格特质进行自我评价。由于人格特质测量量表主要依赖于被试的主观感受和自我陈述,因此目前大多数人格特质测量量表都是标准化测验,但被试回答过程中会出现倾向于用更符合社会价值和更有利于自我表征的方式表达自己,即故意对问卷题目做出或夸大或缩小的歪曲反应,从而影响测量结果的客观性。信息技术的飞速发展和互联网技术的全面普及,研究者可以实现在线学习行为数据自动记录和釆集。因此,随着大数据广泛应用,基于大数据视角的人格特质识别成为人格计算领域重要的研究方向和研究热点。相对于心理测验被动地测量人格特质类型来说,人格特质识别是基于用户的在线语言学特征、社交网络行为特征和社交网络结构特征等在线行为数据对其人格特质类型进行自动识别和判断。这一方面克服了传统人格特质测量方法的主观性和静态性,另一方面也避免了由被试的个人因素带来的测量偏差,为学习者个性特征获取提供了新的方法和思路。猎奇性(Novelty-seeking,NS)是一种人格特质,表现为追求多样化、新奇、复杂、强烈的感觉和体验的普遍倾向,以及为了这种体验而冒险的人格特质。在旅游业中,人们普遍认为猎奇性是旅行的一个重要动机且被认为是一种固有品质,并已被证明在目的地的选择中发挥了不可分割的作用,且是对游客感知影响最大的因素之一。猎奇性与游客返回意图存在联系,与目的地忠诚度之间存在正向关系且在游客满意度中起到了中介作用。猎奇性作为在旅游行业中被广泛涉及到的人格特质,在营销领域起到至关重要的作用,不仅能够从游客的在线评论中快速定位消费者的寻新倾向,进一步探索游客的潜在旅游需求,还能够根据这些需求对现有的推荐系统进行改进并优化市场营销方案等。尽管已有一些学者开始探索人格特质的提取,但该方面的研究还很少,目前人格特质识别仍有难度。本文针对当前对人格特质识别回因个人因素带来测量偏差的问题,试图引进深度学习理论和方法进行解决,在其他学者的研究基础上,结合前人研究成果编码提取多维猎奇性量表,构建了基于深度学习的人格特质识别模型。尝试利用深度学习的方法从旅游在线评论中识别猎奇性这一人格特质,丰富人格特质识别研究的理论与方法。从实践领域来看,通过对旅游在线评论进行猎奇性情感识别,可以准确定位到发布包含猎奇性评论的用户群体,从市场营销角度能够更有针对性地投放广告或对目标人群进行推广。由于具有猎奇性的人更喜欢去偏远和不熟悉的地方,在个性化推荐领域中,可以依据客户的猎奇倾向来推荐全新的旅游地,使得推荐更多样化,有利于消除信息重复给用户带来的厌倦感,以此提高游客满意度。本文以深度学习相关理论为研究基础,以猎奇性人格特质识别为创新点,首先总结出可作为猎奇性评价依据的量表,构建了基于深度学习的猎奇性识别的文本分类模型。本研究是为了将旅游在线评论中的语义信息融入文本的建模过程中,识别其内在的猎奇性。为人格特质识别提供了可借鉴的分析方法。本文的主要工作有以下几点:第一,介绍了旅游业随着互联网的快速崛起也逐渐发展到线上的背景,由于景点的评论信息对游客的旅游决策具有重要影响,因此将旅游景点的评论数据作为为游客提供旅游个性化信息服务是十分必要的。同时总结归纳了对文本进行分类的方法,引出目前被使用的较多且效果较好的基于深度学习的文本分类方式。调查研究国内外现有的基于深度学习的文本分类和人格特质识别的方法和技术,对猎奇性在旅游行业中的重要程度进行调研分析。明确深度学习方法在旅游在线评论中识别猎奇性人格特质的可行性和优越性。第二,确定了本文的研究框架,尝试构建一个能够满足猎奇性识别的深度学习模型。在确定了猎奇性量表的选取范围的同时依据本文期待的猎奇性识别效果进行深度学习模型的选取。本文还介绍了数据选取的基本思路和预处理的过程,确保选取的数据具有一定的代表性,能够使产生的结果更具有说服力。最终选取TripAdvisor这一全球领先的旅游网站作为示例,选取有代表性的景点数据开展实证。第三,构建了猎奇性人格特质量表。本文汇总前人发布的猎奇性量表,从中总结出每个维度的特征,对已有的量度进行相似项合并,将不同项依据不同维度进行添加,形成本文所使用的猎奇性量表。选取符合本文研究内容数据,并按照要求对数据进行相应的预处理.基于该猎奇性量表,在BERT语言预训练模型和BiGRU深度学习模型的基础上,对选取的旅游在线评论进行猎奇性识别.实验表明,与同类型的深度学习模型进行比较,本文选用的基于BERT-BiGRU模型的分类效果较好,能够较为准确的通过游客的文本评论识别猎奇性,准确率可以达到91.5%,为利用猎奇性作为广告精准投放和旅游系统个性化推荐奠定了基础。第四,设计并实现了基于深度学习的猎奇性人格特质识别的模型,并发现该模型不仅适用于旅游业中关于景点的在线评论,还可以将其运用于旅游活动中涉及的吃、住、行、游、购、娱等多方面的文本评论.受到本文研究思路的启示,该研究模式还可以被应用于更多的能够通过量表被识别的人格特质,可以通过结合传统的人格特质测试的访谈方法和深度学习中文本分类的方法,尽可能地降低传统人格测量方法带来的局限性和主观带来的不准确性.本文依据理论研究对前人的成果进行了总结和优化,获得了多维猎奇性量表,用来进行猎奇性人格特质的识别.这项研究是以从旅游在线评论识别猎奇性人格特质为例,设计出一种可以将猎奇性人格特质从旅游在线评论中识别出来的深度学习模型,证明了使用深度学习对用户在线评论中的人格特质能够进行有效地自动识别.猎奇性人格特质被基于理论进行分类,证明了深度学习在自动处理大量文本信息的适用性。更多还原

【Abstract】 The rapid development of tourism Internet applications has generated a lot of comments and information related to tourist attractions.These comments reflect the tourists’ thoughts and preferences about tourist attractions after the travel experience,and appear in various media such as blogs,BBS or forum websites in different forms.Travel online reviews are becoming an increasingly important experience information carrier for potential customers that spend a lot of time reading online reviews to assist in travel decisions.In the tourism industry,novelty seeking is a personality trait that is widely considered to be related to tourism motivation and the choice of tourist destinations.Novelty seeking not only involves many aspects of tourists’ activities such as eating,accommodation,traveling,shopping,and entertainment,but also related to tourists’loyalty,willingness to return,and satisfaction.Therefore,it is necessary to identify the novelty seeking personality traits from the massive travel online reviews,and recommended new travel destinations based on the customer’s novelty seeking tendency.It can make the recommendation more diversified and help eliminate the boredom caused by the duplication of information.At the same time,it can also improve the satisfaction of tourists.The traditional measurement and identification methods of personality traits have the limitations of being used in a wide range of audiences and the inaccuracy caused by the subjectivity of the subjects.Relying only on traditional methods to identify novelty seeking from massive online travel reviews is almost an impossible mission.In the era of big data,text classification methods based on bag-of-words and traditional machine learning appear to be inefficient.The rapid development of deep learning technology has brought more possibilities for the solution of text classification tasks.Research on how to combine new technologies with existing solutions and improve the accuracy of the existing schemes has high practical value.In response to the above-mentioned problems,this thesis mainly conducts the following research work based on a large number of related documents:(1)Based on the actual needs of the research,the basic idea of data selection and the process of preprocessing are introduced to ensure that the selected data have a certain degree of representativeness,which can make the experimental results more convincing.Select 10 different types of popular attractions review data on the world’s leading travel website TripAdvisor for research,and perform operations such as removing stop words and punctuation on the collected data to prepare for follow-up experiments.(2)In response to the current complex problems of the novelty seeking evaluation scales,summarize the novelty seeking scales published by the predecessors.This thesis aims to summarize the characteristics of each dimension,merge the similar items of the existing measures,and add different items according to different dimensions.Then build and generate a new NS scale.On this basis,artificially summarize and generate a list of novelty seeking indicators,which provides a scientific and convenient theoretical basis for the calibration of experimental data in the training set.(3)By combing the language pre-training model BERT and the deep learning model BiGRU,a novelty seeking personality recognition model based on deep learning is proposed.Based on the novelty seeking scales,the deep learning model is selected according to novelty seeking recognition effect expected in this thesis.At the same time,a comparative experiment is designed to verify that the model selected in this thesis has a higher accuracy.(4)Propose more model application scenarios.Based on the research ideas of the deep learning-based novelty seeking recognition model proposed in this thesis,the deep learning model can also be used to recognize different personality traits.A method of combing traditional personality measurement and recognition methods with deep learning algorithms is proposed,and it is hoped that a recognition method with higher efficiency and accuracy can be obtained.更多还原