(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210772206.0 (22)申请日 2022.06.30 (71)申请人 郑州信大 先进技术研究院 地址 450000 河南省郑州市高新 技术产业 开发区莲 花街55号 (72)发明人 张有为　房飞越　陶泽坤　李静　 陆川伟　吴洪建　赵清波　 (74)专利代理 机构 郑州德勤知识产权代理有限 公司 41128 专利代理师 黄红梅 (51)Int.Cl. G06F 40/30(2020.01) G06F 40/289(2020.01) G06F 40/216(2020.01) (54)发明名称 一种基于模型融合的海量旅游网络文本语 义分析方法 (57)摘要 本发明公开了一种基于模型融合的海量旅 游网络文本语义分析方法， 获取评论数据集， 并 对数据集中的数据进行预处理； 对 数据集中的数 据进行可视化分析； 对评论数据集采用DBSCAN密 度聚类， 获得数据集D1； 利用Word2Vec模型， 得到 数据集D2； 利用Simhash算法， 得到数据集D3； 利 用N‑Gram语言模型得到数据集D4； 将数据集D1 ‑ D4中的数据结果综合得到数据集D5； 将预处理之 后的数据集D5导入TF ‑IDF模型和LDA模型， 提取 得到关键词和主题词； 词向量化计算每条评论的 关键词向量与主题词向量之间的距离， 并根据距 离输出结果高的词； 根据特色词、 酒店名称、 酒店 类型相互 组合构建三元组， 得到知识图谱。 权利要求书1页 说明书4页 附图3页 CN 115099241 A 2022.09.23 CN 115099241 A 1.一种基于模型融合的海量旅游网络文本语义分析 方法， 其特 征在于： 步骤1， 获取评论数据集， 并对数据集中的数据进行预处理； 其中， 评论数据集是csv文 件， 包含酒店名称、 酒店类别、 评论时间、 酒店评论内容； 步骤2， 对数据集中的数据进行 可视化分析； 步骤3， 对评论数据集采用DBSCAN密度聚类， 获得 数据集D1＝{x_1,x_2, …,x_m}； 步骤4， 利用Word2Vec模型对酒店评论 内容进行向量化处理后 计算相似度， 得到数据 集 D2； 步骤5， 利用Simhash算法在评论数据集上进行相似去重， 得到数据集D3； 步骤6， 利用N ‑Gram语言模型计算评论数据集中文本的成句概率， 再把每个句子 困惑度 PPL计算出来， 按照从小到大的顺序排列， 取四分位数为75％以下 数据即得到数据集D4； 步骤7， 模型融合根据少数服从多数来定最终结果， 将数据集D1 ‑D4中的数据结果综合 得到数据集D5； 步骤8， 对数据集D5进行 预处理； 步骤9， 将预处 理之后的数据集D5导入TF ‑IDF模型提取 得到按权 重顺序排列的关键词； 步骤10， 将预处 理之后的数据集D5导入LDA模型提取 得到按权 重顺序排列的主题词； 步骤11， 将步骤9和步骤10得到的结果关键词和主题词， 词向量化计算每条评论的关键 词向量与主题词向量之间的距离， 并根据距离 输出结果高的词； 步骤12， 根据特色词、 酒店名称、 酒店类型相互组合构建三元组， 利用py2neo库， 对 neo4j数据库进行三元组数据转换为sql语句上传到neo4j数据中， 最终得到一个简单的知 识图谱。 2.根据权利要求1所述的基于模型融合的海量旅游网络文本语义分析方法， 其特征在 于： 步骤1中的评论数据的预处理主要包括缺失数据的处理和重复数据的处理， 具体表现 为： 步骤1‑1： 若数据中存在空白的属性和记录， 则将该 条数据删除； 步骤1‑2： 若数据中存在多条各个属性项完全重复的记录， 则只保留一条记录并将其余 删除。 3.根据权利要求1所述的基于模型融合的海量旅游网络文本语义分析方法， 其特征在 于： 步骤2‑1： 文本长度统计， 数据集大小统计， 时间序列的统计； 步骤2‑2： 运用matpl otlib.pyplot函数对统计数据进行 可视化分析。权　利　要　求　书 1/1 页 2 CN 115099241 A 2一种基于模型融合的海量旅游网 络文本语 义分析方 法 技术领域 [0001]本发明涉及数据挖掘 领域， 更具体地， 涉及一种基于模型融合的海量旅游网络文 本语义分析 方法。 背景技术 [0002]Hunt于1971年提出了旅游目的地形象的概念， 从营销传播的角度看， 旅游目的地 形象是旅游者获得的有关旅游目的地信息在旅游 者心目中形成的综合性的感知评价， 是目 的地选择决策 的重要参考变量。 作为旅游目的地形象感知的阶段， 情感形象是游客对旅游 目的地的感情性认识， 是游客对旅游 地的偏好程度。 Russel基于情感测量模 型， 将旅游目的 地情感形象划分成四个维度， 以此确定游客对旅游目的地形象的情感评价。 通过情感形象 评价分析， 了解游客对旅游地偏好的要素， 有助于旅游地进行更好的形象定位， 扬长避短， 突出特色， 从而得以持续健康 地发展。 因此， 如何对这种复杂的旅游文本数据的处理是该研 究领域的主 要挑战之一。 [0003]网络文本语义分析是网络评论信息处理的重要技术。 目前， 网络评论文本分析在 旅游学术界广泛应用， 酒店网络评论分析 的研究主要集中两个方面： 基于评论信息的服务 质量研究和评论信息的语境挖掘 。 无论哪个方面都需要从对文本的有效性出发， 然后进行 研究挖掘。 因此， 引入 模型融合的文本语义处 理方式能更好的完成文本信息的提取。 [0004]另外， 文本有效性可以从人为定义、 统计学习、 机器学习、 深度学习等方式处理， 但 是， 每个方法都有一些缺陷， 不能够筛选出具有代表性、 真实性和有效性的评论文本数据 集， 以减少 信息搜寻成本， 提高评论质量， 增强评论生态的活力。 因此， 需要提供一种模型融 合方式以得到一个最 好的语义数据集。 发明内容 [0005]针对现有技术的缺陷， 本发明提供了一种基于模型融合的海量旅游网络文本语义 分析方法： [0006]步骤1， 获取评论数据集， 并对数据集中的数据进行预处理； 其中， 评论数据集是 csv文件， 包 含酒店名称、 酒店类别、 评论时间、 酒店评论内容； [0007]步骤2， 对数据集中的数据进行 可视化分析； [0008]步骤3， 对评论数据集采用DBSCAN密度聚类， 获得 数据集D1＝{x_1,x_2, …,x_m}； [0009]步骤4， 利用Word2V ec模型对酒店评论内容进行向量化处理后计算相似度， 得到数 据集D2； [0010]步骤5， 利用Simhash算法在评论数据集上进行相似去重， 得到数据集D3； [0011]步骤6， 利用N ‑Gram语言模型计算文本的成句概率， 再把每个句子困惑度PPL计算 出来， 按照从小到大的顺序排列， 取四分位数为75％以下 数据即得到数据集D4； [0012]步骤7， 模型融合根据少数服从多数来定最终结果， 将数据集D1 ‑D4中的数据结果 综合得到数据集D5；说　明　书 1/4 页 3 CN 115099241 A 3