科研学习|论文解读——基于旅游知识图谱的游客偏好挖掘和决策支持（IPM，2023）

原文题目Mining tourist preferences and decision support viatourism-oriented knowledge graph摘要目前旅游管理研究的重点是通过对异构用户生成的内容进行广泛分析来理解旅游偏好的波动制定有针对性的发展策略。然而鉴于在线景点评论涉及过多的混合和无形维度广泛使用的无监督文本挖掘可能是不完整的或不准确的。此外现有文献通常局限于几个旅游目的地和起源地的某些类型的景点很难保证具有全面的洞察力。为了克服这些局限性本研究提出了一种新的知识图谱驱动框架该框架涉及旅游知识图谱(TKG)的系统构建和深入的研究与推理。遵循领域知识本体从多源文本语料库中提取出11296716个多方面知识的结构化三联模型提高了43.64%~50.65%的准确率从中国340个旅游地中抽取了11174034名游客和20481个景点。利用TKG可以建立一个综合的决策支持系统它分为符号查询和分布式推理两种不同的知识应用模式。在TKG上通过SPARQL查询实现多重时空分析可以逐步发现旅游偏好、因果解释的分布规律及其对旅游地发展的影响。通过TKG注入丰富的上下文知识来细化对象的分布表示可以显著增强下游推理任务如旅游需求预测和旅游竞争情报。一、引言对旅游偏好的清晰把握一直是旅游研究者和实践者关注的焦点。洞察游客的行为偏好有助于旅游营销组织完善现有景点规划新景点并提出有效的营销策略。旅游从业者可以进一步识别游客选择行为的潜在决定因素并及时预测对景点的需求或细分旅游市场定制与旅游者特征相符的个性化套餐。然而全面了解游客对景点的偏好一直是一个挑战因为景点属于体验产品具有有形、认知和情感特征维度的复杂多变的耦合。分析旅游偏好和制定有针对性的策略通常利用人工调查的离散选择实验如问卷或访谈。该方法适用于测量特定旅游场景的反馈或预测一个新产品的支付意愿并测试潜在因素的假设。然而在进行调查时无可避免地存在抽样偏差和时间限制的挑战这可能会限制研究范围和结果的概化性。幸运的是随着信息和通信技术的快速发展尤其有影响力的社交媒体平台海量用户生成的内容被记录、存储和积累形成了一种重要的大数据类型。这些内容公开、易收集、低成本、自发、充满热情和洞察力。在众多类型的UGC中在线评论可以提供关于游客行为偏好的大量信息。因此它被称为一个很有前途的替代数据源以克服人工调查的局限性。在线评论的相关分析已成功地应用于各种旅游问题如服务性能改进旅游地形象感知、旅行日记分析、差异化营销以及旅游需求预测。尽管在文献中对在线评论的文本挖掘做出了许多努力但在深入了解复杂的旅游者偏好以支持旅游规划决策方面仍然存在3个重要的研究空白。1.在线评论分析主要应用于酒店、餐厅以及航空部门其目的是确定旅游体验的感知维度和满意度。然而景点作为旅游地的关键吸引力直到最近才通过在线评论挖掘进行了少量研究。2.在方法论方面流行的无监督文本挖掘算法已广泛应用于当前的酒店和餐饮研究但在从景点评论中提取知识方面可能存在问题甚至无效。不像酒店和餐厅有几个明确的属性景点评论内容的主题异质性要广泛得多以不同的动机和活动为特征并结合了众多无形的特征。可以说这些数据的这种特性可能会导致提取的主题过多、可分性差、歧义增加从而降低主题识别的准确性。3.大多数研究在描述性统计分析中停滞不前比如局限于特定旅游者群体在特定时段对特定旅游地内少数类型旅游产品的偏好模式。因此基于在线评论对景点特征的旅游偏好的一般时空规律的见解很少更不用说潜在的因果解释和对旅游地发展的潜在影响了。这是由于缺乏对大地理范围内的多个旅游地及起源地进行广泛的比较分析。因此仍然需要解决一些问题例如在有关景点的在线评论中充分发挥文本挖掘技术的潜力以实现系统和全面地理解决策支持的旅游偏好。为了填补上述空白本研究提出了一个新的决策支持框架系统地研究游客的偏好基于知识图KG以及相应的查询技术和推理模型。KG作为一个基于图形的数据模型通过充分的事实知识三元组其节点表示感兴趣的实体其边表示这些实体之间潜在的不同关系。KG的核心能力3点特征为旅游业的UGC挖掘和相关决策支持带来了前景。整合多源异构旅游数据高度可扩展的知识表示结构三元组能够自然融合多模态、碎片化的旅游数据实现不同类型信息的互补、粒度和来源。这种能力有两个明显的好处。首先KG可以涵盖旅游场景中的各种实体并对实体之间丰富的多种关系、行为互动和异质属性进行建模这有利于对旅游现象从规律到因果解释再到潜在影响进行全面系统的探索。第二多个信息源之间的重叠信息可以支持对发现的规律进行交叉验证进一步增强结论的概括性。准确的旅游知识提取和完整的旅游场景建模随着深度的日益成熟自然语言处理技术相应的KG方法可以充分填补传统文本挖掘的上述空白大大提高旅游者行为偏好知识提取的准确性和完整性从而形成一个结构完整的旅游领域知识体系。面向决策支持的海量旅游知识的有效部署和推理KG的应用可以分为两种方式即符号查询和分布式推理。凭借高性能的图形DBMSKG可以有效地查询以可视化的交互方式提供多个时空分析全面探索游客的行为模式和偏好分布。此外前沿的分布式知识计算和推理模型也称为KGL/KGE可以被引入以实现和增强各种下游任务丰富的语义知识如旅游需求预测、竞争情报等。与3个方面的利益相对应KG的关键操作也可以分为3个过程知识组织、获取和部署。知识组织是设计KG的本体它形式化地表示领域专家的知识。知识获取是实例化根据本体从语料库中提取知识库中的信息。知识部署是利用KG实现多个下游决策支持任务的知识驱动解决方案。本研究创新性地构建了一个以旅游为导向的KGTKG以实现一种新的知识驱动范式全面了解中国各地的游客偏好和有针对性的决策支持。该框架分3个阶段进行。1.收集了大量的多源在线文本。该语料库包含2014年至2019年的11,049,090条评论由来自中国340个城市的游客发布涵盖了中国340个旅游地的20,481个景点。2.最先进的预训练语言模型增强的语言表示与信息实体ERNIE已被微调通过迁移学习严格按照精心设计的本体从大规模在线语料库中提取更精确、更完整的景点语义知识超越了常见的自动主题建模。3.基于构建的旅游业综合决策支持系统模型可以建立一个基于知识效用的旅游业综合决策支持系统具体分为基于知识效用的符号查询和分布式推理两种范式。多个时空和统计分析通过将它们转换为图形-数据库管理系统(Graph-DBMS)中的符号SPARQL查询来有效地进行形成了一个渐进的调查系统从检测一般规律到机制解释进一步深入到对旅游地发展的最终影响。知识效用的另一种范式求助于尖端的KG嵌入KGE和图神经网络GNN模型将丰富的语义/地理知识编码成低维分布式表示从而显著增强了多个下游决策支持任务如旅游需求预测和旅游竞争情报。这项研究的贡献有3个方面1.与旅游管理中最常用的主题建模相比基于预训练语言模型的迁移学习方法在准确性和全面性方面可以显著提高旅游消费的知识获取。此外对不同文本挖掘方法的验证和比较也增强了对未来旅游研究的适用性和可靠性的方法意识。2.构建的TKG覆盖区域多、时间长、游客群体多消除了个案描述性研究的局限性。通过对旅游偏好的深入研究从规律到机制再到效果的过程可以解剖出旅游市场的全貌。3.TKG的分布式知识推理能力可以大大促进多个复杂下游任务的解决如需求预测和竞争情报从而有助于制定适当的政策开发旅游业内的多种模式。二、相关工作2.1 旅游偏好分析2.2 旅游研究种的文本分析2.3 知识图谱三、研究内容与方法3.1 研究框架3.2 语料库为了全面了解旅游偏好的规律作者收集了全国340个地级以上城市的旅游数据。旅游界普遍认为UGC和PGC是相辅相成的。UGC代表旅游者实际感受到的旅游地形象而PGC则反映DMOs的投影形象。因此UGC和PGC结合起来形成了一个包含景点综合特征的语料库。具体来说拥有前十点赞数的游客在线评论文本构成了该景点的UGC而百科全书中的景点简介文本则被视为PGC。考虑到马蜂窝网站历史悠久、用户基数大、非商业定位以及与其他平台相比更高的可靠性马蜂窝网站被选为UGC数据源。马蜂窝成立于2006年是一个由旅游爱好者推动的非营利性项目随着时间的推移已经发展成为中国最大的独立旅游服务平台拥有1.2亿用户。它的主要组成部分是为用户提供有价值和精美的游记以记录和分享自己的经验和指南而相对边缘化的商业广告。在马蜂窝上最突出的内容始终是用户精心制作的精美图片和优美的文字而非广告。因此相对纯净、高质量的UGC的大量存在显著提升了马蜂窝作为数据源的可信度。此外为确保其真实性和代表性在收集到的数据集中作者比较了马蜂窝的平均互动次数和平均接待游客量。官方统计数字面板数据为2014年至2019年排名前50位的旅游地不包括两个特别行政区。皮尔逊相关系数的结果显示与当局有0.726的强正相关。总的来说马蜂窝平台可以作为构建TKG的UGC数据的合适来源。一种网络爬虫在Python 3.7中开发通过访问mimic收集所有关于景点和用户的非私人信息。内容包括基本用户信息、旅行记录数字足迹和景点评论。在剔除不活跃用户历史记录5和不想要的景点访问次数100后2014年1月至2019年4月UGC数据集的规模为11,049,090条点评涉及中国340个城市级旅游地的20,481个景点。作者选择百度百科作为后备PGC源是因为旅游地官方网页的结构变化使得网络爬虫很难应用。百度百科相当于中文维基百科是中国最广泛的在线协作百科全书。作者根据景点的相同名称或相似别名和位置排列UGC和PGC。由百度百科的简介和十大最有帮助的游客评论构成了后续知识获取的旅游语料库。根据后续设计的本体将用户的基本信息和出行历史信息提取成结构形式作为需求侧的知识。3.3 TKG的构造这一部分阐述了旅游地管理组织决策库的构建它分为本体设计和知识抽取。对于本体设计作者首先在初步研究中进行快速无监督文本挖掘其中主题和关键词是通过LDA以及TFIDF和TextRank从关于旅游活动的语料库中获得的。在此基础上将初步研究结果与旅游专家知识相结合进行本体构建前者起启发式参考作用后者起主导作用。最终本体的设计方面的需求和供应其细节如图。在需求侧考虑了游客流量记录了游客从住所到旅游地的数字足迹、参观景点的顺序和满意度可以有效地支持旅游者选择行为的多时空分析。在供给侧知识被划分为两个维度生理和心理。利用基于该供给本体的互补知识可以进一步探索旅游者对景点特征偏好的分布规律。然后作者进行了自动化的知识提取语料库根据完成的本体通过ERNIE调整迁移学习。在预先训练的ERNIE上连接了一个多标签分类层。需要手动注释的数据集的一小部分培训数据这些是文本对和相应的特征此后原始的ERNIE不断地被调优直到它能够根据本体准确地从文本中区分特征。四、TKG驱动的旅游决策支持基于TKG的应用程序主要可以分为两类符号查询和分布式推理其过程如图3所示。查询模式是基于SPARQL查询通过Graph-DBMS有效地检索结构化知识在TKG使系统的多时空统计分析来实现。该系统不仅能够挖掘旅游者行为偏好的一般规律而且能够深入研究其形成机制和潜在影响。对于推理范式通过KGE或GNN模型将符号化的知识三元组嵌入到低维稠密向量表示中。通过这种方式可以注入旅游知识以增强旅游的功效。表象学习为后续任务中的核心要素。本研究通过旅游需求预测和景点竞争情报分析实现了知识驱动的决策支持任务。4.1 符号查询4.1.1一般规律和因果解释4.1.2对旅游地发展的影响左图为了有效地探讨旅游者偏好对旅游地发展的影响本研究首先将340个旅游地的旅游产业模式分为三大类自然型、人文型和复合型。随后对不同旅游产业模式的状态进行横向比较如图7所示.。结果表明市场占有率的总体趋势呈现出显著的幂律分布即垄断结构。这标志着国内市场已经成熟有着明确的准入门槛和残酷的竞争游客倾向于少数顶级旅游地而大多数在发展水平上远远落后。此外考虑到国内游客对历史文化的偏好自然旅游方式的竞争尤为激烈。更具体地说虽然近一半的旅游地属于自然模式但其整体水平远低于其他两种模式从而加剧了竞争。从空间上看自然方式的旅游地主要分布在我国经济相对欠发达的中西部地区。这表明自然旅游本身无法拯救这些地区因交通和便利设施等基础设施落后而陷入困境的经济。右图利用投资分配对不同偏好特征的逐步线性回归分别探讨了三种旅游产业模式发展的边际效用。旅游地的游客接待量被认为是因变量每个偏好特征中的已建景点数为自变量。图8中的结果论证了旅游地开发的有效性取决于投资在不同旅游偏好特征上的配置。具体而言在复合旅游模式中边际效用最高的关键特征是杂项从户外休闲钓鱼和狩猎到定期购物从繁华的美食街​和胡同到未被发现沙漠和森林以及从先锋朋克与时尚到人与自然的和谐。相对而言人文模式主要取决于文化特征如高科技、中国戏曲以及中国书画。令人惊讶的是在自然模式中自然特征具有抑制而不是促进的作用。自然模式的关键特征是世俗的当代艺术、令人惊叹的创意时尚和喧嚣的游乐场这些都属于人类。这一结果证实了旅游是一种综合消费即游客渴望多种休闲元素。这一发现表明只有美丽的自然远远不足以促进繁荣的自然模式。因此建立一个综合旅游体系才是当务之急。4.2 分布式推理4.2.1旅游需求预测•任务目标本研究采用推荐策略来预测潜在的游客需求。TKG的应用价值体现在两个方面通过与替代基准的比较来提高绩效以及可视化地呈现市场变化。此外通过额外的消融研究来识别TKG内每一类知识的具体贡献。•实施设置预测模型分为三种类型一般的POI为导向的基于KG的推荐其中前两个离开TKG未开发后者纳入TKG。一般的推荐器基于协同过滤的原则计算相似度实现推荐只使用用户-项目的相互作用。在此基础上以兴趣点为导向的推荐器将景点视为地点在空间和时间上对情境信息进行建模以缓解数据稀疏. 基于KG的推荐器将更全面的知识注入到表征学习过程中涵盖了地理、物理属性和心理认知从而显著提高了性能。为每一类别选择了两个有代表性的基线以供比较。具体而言基于项目的CF和广深模型被选择用于一般推荐器Rank-GeoFM和闪回是面向POI的推荐器RippleNet和KGIN为基于KG的。将游客参观景点行为的TKG子图按4:1的比例划分为训练集和测试集包括96,101名游客和20,481个景点之间的11,049,090次互动。AUC和准确度作为预测的性能指标。4.2.2 旅游竞争情报•任务目标长期以来彻底了解旅游业的竞争格局一直是旅游管理和商业营销研究的重点。由于进入壁垒相对较低和旅游需求波动旅游企业面临失去市场份额或旅游形象崩溃的高风险。因此有效识别景点中的竞争对手特别是通过利用大数据分析是筛选竞争环境和制定有针对性的竞争战略的关键第一步。然而目前检测竞争关系的大多数方法都依赖于通过网站和专利在文本或引用中同时出现的实体这些网站和专利并不容易适用于旅游业。这是因为在旅游文本中很少观察到模拟共存和共同参考模式例如在单个评论中很少同时提及配对的景点。因此对于这项具有挑战性的任务本研究中构建的TKG预计将通过不同的KGE或GNN模型提供替代的有效解决方案这些模型成功地整合了有关景点的功能、认知和地理背景信息。•实施设置具体来说基于TKG的竞争对手识别可以通过两种模式实现KGE和GNN。KGE模式将景点之间的竞争关系添加到TKG中并使用经典的KGE模型例如平移距离或语义匹配将竞争对手识别视为链接预测或KG完成任务其中竞争关系由损失函数中的超参数分配更高的权重。GNN模式可以通过多个SOTA GNN模型捕获TKG丰富的语义信息和拓扑结构特征例如GCN或GAT产生更具代表性的吸引力嵌入这些嵌入被输入点产品输出层以预测竞争可能性。关于KGE模式选择了两个模范模型来完成任务TransR和DistMult它们分别代表了KGE的翻译和语义匹配范式。根据TKG的图形建模方式GNN模式可以分为同质和异构图形模型分别对应于GraphSAGE和GAT以及R-GCN和HAN。为了与传统的无KG文本分析解决方案进行比较作者还利用双塔ERNIE 3.0基础模型来实现配对景点的文本匹配用于竞争预测。附录D阐述了上述方法的特殊性和实施细节。在实验中通过手动注释建立地面真相景点的竞争关系数据集如下所示。北京8000、上海8000和桂林6000旅游地共有22,000对景点这些景点最不可能在同一旅游行程中共存由28名独立志愿者根据个人意愿分别估计他们多次居住或访问过这三个城市。该注释旨在确定只参观一对景点是否会在有限条件下引起游客犹豫这意味着两个景点之间存在可替换的竞争。在北京、上海和桂林分别确定了2107、1948和738个真实竞争对同时从三个旅游城市的全球对中随机提取了同等数量的阴性样本。竞争对手识别的评估指标设置为7个基线模型的AUC和准确性以验证TKG在竞争对手识别任务上的有效性。五、讨论5.1 理论意义通过与现有文献的比较本研究的理论意义有以下4个方面。1.首先虽然现有的研究大多局限于几个特定旅游地和起源地的少数类型和少量的旅游产品本研究采用了中国340个城市更广泛的研究范围和相关的大规模数据集这可以大大提高决策支持方法的概括性和稳健性。构建的TKG涵盖了世旅组织所定义的整个旅游景点分类并支持充分的比较分析以得出更具代表性和可靠性的旅游战略规划结果。2.其次通过使用预训练模型PTM中的ERNIE系列模型发现在线旅行评论中提取语义知识并从语言模型ERNIE调整的迁移学习方法大大超过了最常用的无监督或半监督主题建模。同时揭示了一个潜在的问题即非监督文本挖掘在其便利性的基础上既不准确也不完整不足以支持后续的全面决策支持。至于完备性由于维度被限制不足以满足精度标准。因此景点评审的这一数据特点要求提高将无监督文本挖掘算法应用于升级景点决策支持的方法论意识专家的事后人工验证和调整也不可或缺。3.第三在旅游决策支持的深度和全面性方面构建的TKG促进了多时空统计分析形成一个逐步深化的决策体系从基本规律到相关形成机制再到最终对旅游地发展的实际影响。该框架可以为旅游地的发展提供系统而深入的见解。相比之下由于上游文本挖掘的弊端大量文献仅停留在对旅游现象和活动的描述性统计以及归纳规律的浅层分析。4.此外构建的TKG的潜在应用还有三个方面。首先在旅游研究方面TKG将成为细粒度和大范围的共同基准和基础以便更深入地研究旅游者的行为模式、认知过程和其他重要问题。第二在需求侧为了解决游客信息过载的问题可以将TKG作为外部知识库来增强活动推荐和路线生成模型。此外TKG的象征性将通过与元结构、细化学习和GNN相结合进一步提高人工智能的概括性和稳健性。在供给侧TKG可以进一步与选址、需求预测以及竞争情报相结合为旅游从业者和管理人员提供精确的决策支持。5.2 管理意义基于对旅游偏好的全面理解作者强调了在不同条件下对DMO的4个明确的管理意义以加强其发展战略。1.首先中国340个旅游客源地的旅游产出空间分布极不均衡少数经济发达的东部沿海城市的旅游产出远远超过其他地区的总和。因此这些少数游客来源地是DMO和企业极具前景的目标市场。考虑到旅行距离的显著摩擦效应邻近旅游地的DMO必须利用其有利的地理位置将这些来源地作为核心市场以迅速占领国内市场。尽管如此由于空间分化的催化作用这些起源地仍然可以被视为相对遥远的旅游地的机会市场。随着交通设施的改善和长途旅游的兴起这些重要的旅游客源市场的竞争将会加剧。2.第二考虑到旅游者集中在两个旺季即暑期和国庆假期DMO最好引导知名旅游企业通过灵活定价调整收入结构和承载能力。学生和有孩子的家庭是主要的旅游群体公共设施和景点管理者应该优先满足他们的需求。此外疫情后报复性旅游需求明显激增。因此从整个政府的角度来看实施带薪休假制度可以有效缓解高峰假期的超负荷工作有助于振兴中国旅游业。3.第三为来自特定地理区域的游客定制旅游产品或路线以适应他们不同的生活习惯和习性可以提高景点的吸引力和舒适度。DMO还应为当地企业提供指导有效地展示个性化特征以引起不同地区不同群体的兴趣并主动提供相关信息以解决任何疑虑。4.最后一层意义是对欠发达地区的开发者和研究者进行劝阻不要盲目开发自然旅游资源。吸引游客需要的不仅仅是优美的风景充足的配套设施是旅游地必要的核心竞争力而这正是这些偏远地区最缺乏的。此外自然产业模式的市场份额不足20%却覆盖了全国一半以上的旅游地。与人文、复合模式相比它面临着巨大的竞争压力。因此将自然景观转变为扶贫的支柱产业是一项多方面的工作需要地方行政当局进行细致的审议和战略规划。六、结论与未来工作洞察游客的旅游偏好对于DMO进行准确的战略规划和长期决策至关重要。本研究提出了一个新的知识图谱驱动框架通过构建TKG系统准确地捕捉中国各地的旅游偏好特征。该TKG促进了旅游管理的综合决策支持系统。Graph-DMBS和SPARQL查询可以有效地部署TKG内部的大量知识以全面探索旅游偏好的地理规律澄清了相对因果解释并揭示了对旅游地发展的影响。此外从尖端KGE或GNN模型获得的知识的分布式表示可以显著增强多个下游决策支持任务如需求预测和竞争情报。本研究仍存在一些局限性有待进一步研究。首先为解决旅游业中更广泛和复杂的任务如问答系统KG需要纳入来自其他多式数据源更多样化的知识如活动信息、利益相关者之间的商业关系和旅游者的网络信号。第二在TKG的基础上开发面向旅游业的显性知识丰富的PTM将是一个有前景的方向。作者的目标是建立一个积极的反馈循环PTM为TKG提取知识然后TKG用新的见解丰富PTM。