第四章、 實證分析
第二節、 分析資料
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第二節、 分析資料
一、 視覺化分析圖
(一) 飯點地點分佈圖
該資料集來自於 Booking.com，顧客對對飯店給予評論，而飯店分佈於 歐洲的六個國家，分別是倫敦、荷蘭、法國、義大利、奧地利、西班牙，地 圖分佈圖表示如下：
圖 4-1 飯點地點分佈圖
(二) 關係矩陣圖
將正、負面評論的字數、評論者評論數、飯店總評論述、評論分數，倆 倆計算其相關係數。結果顯示負面文字的影響評分的程度比正面強烈
，負面評論字數越多，分數越低；相反的，正面評論字數越多，分數越高，
而其他因素對評論分數影響不大。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 4-2 關係矩陣圖
(三) 評論者之國籍分佈圓餅圖
評論者的國籍總共有 227 個國家，我們將國家按各州劃分，畫成圓餅圖
（如下圖），其中歐洲給予評論最多，可能飯店所在地位於歐洲，所以所以 顧客也多來自於歐洲，而南美洲給予評論相較偏少。
圖 4-3 評論者之國籍分佈圓餅圖
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
(四) 各國評論者給評論次數之長條圖
統計各國給予評論的次數，將其畫成長條圖作比較，從下圖觀察，發現 英國的的評論次數最多，將近二十五萬筆評論，其餘國家都不到都不到五萬 筆評論。
圖 4-4 各國評論者給評論次數之長條圖
(五) 各國評論者給分情況
將評論者按各州劃分，計算評論分數的帄均（紅線），加減一個標準差
（黑線），其中南美洲給分相較高，而亞洲給分較低。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
(六) 飯店正負評論字數分佈圖
計算各飯店之正負面評論字數，結果顯示正負評字數差不多，大約都 20 個字左右。
圖 4-6 飯店正負評論字數分佈圖
二、 訓練模型
(一) 文本分析基本原理
在理解一段文字時，我們通常是從中獲取資訊，從詞性的角度來解讀一 段敘述，能有效的分辨各個詞的資訊量。沒有提供資訊的詞，主要為連接詞、
感嘆詞、稱謂、量詞等；有提供資訊的詞不外乎是名詞、形容詞、動詞。
舉例來說，「In class, I have a good day with my classmate in the math class」，有資訊的詞為：have、good、day、classmate、math、class ；沒有 意義的詞為：I、a、with、my、in、the。因此，自然語言分析(NLP)之基本
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
頻率。計算每個詞在一筆資料的出現次數(後稱 TF)，及在所有資料中出現在 資料的次數(後稱 IDF)，相乘為一個數值稱之 TF-IDF，用以代表該詞在每筆 資料的重要程度。
舉上面的例子，class 的 TF 值為 2(出現兩次)，其他詞的 TF 值為 1。可 以看出 class 跟這段敘述的主題，有相對較高的相關性。而這裡只有一個舉 例，所以沒有辦法與其他例子的出現頻率做比較。因此各個詞語的 IDF 值 皆相同。簡單來說，每一個詞在每筆資料，都有屬於他的 TF-IDF 值。
因此 TF-IDF 傾向於過濾掉常見的詞語，保留重要的詞語。(TF 高，表示在 文章裡重要；IDF 高，表示他只獨特存在於該資料中，代表該資料與主題有 強烈相關性。)
(二) 分析結果
本論文採用資料約為 55 萬筆，並使用 sklearn 提供的 train_test_split 套 件，隨機挑選其中之 20%作為訓練集資料，用以訓練模型，其餘 80%資料 則做為測詴集資料。為求運行效率，又將剩下的資料分成三堆資料數相差不 遠的測詴集，已分別進行測詴。
表 4-1 各資料集的 MAE 數據
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
由表 4-1 結果可以看出，變異程度(MAE)足夠小，模型與預測結果皆可 被使用。而四個資料集的變異程度接近，可以說明該模型適用於所有資料集，
且各資料集之間並無太多不同的特性。因此，此模型訓練成功。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
上圖是評論字詞的重要性的排名的排序，前面 TF-IDF 轉換器我們設定 要找前 10000 個重要字詞，精確度較高。我們專注在前 50 重要的字詞，分 別看名詞、形容詞，可以看出飯店的重要因素，以及顧客會關注的感受。可 以推測出，旅客在選擇飯店時，會看重價格(money)、房間樣式(room)、地 點(location)、以及員工(staff) 這幾個重要因素，以及給人的感受。
接下來，分別看正面評論、負面評論的情緒分析，可以分別得知他們想 要的、以及不想要的感受。從正面評論中，staff、location、hotel、room、service 為前五大重要因素，而旅客主要喜歡有 excellent、amazing、comfortable、
beautiful、loved、everything 的感覺；從負面評論中，room、staff、hotel、
money、bathroom、bed 為前五大重要因素，而旅客主要不想要有 dirty、old、
rude、small、nothing 的感覺。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
綜合評論分析結果，我們發現要經營好一個飯店，房間的環境跟員工的 服務態度是最重要的兩大因素。 便利的地點跟良好的服務態度，會提升旅 客對飯店的印象，進而有舒適、被愛、充實、經驗等美好體驗，也會因此不 在意價格的高低。 頗析正面的感受用詞，能發現好的感受通常是全面性的、
整體性的用詞，並無太多詳細的刻劃。因此，若要給旅客好的感覺，請記得 特別注重飯店的整體一致性，尤其是房間與員工的整體規劃。
另一方面，較差的環境與惡劣的服務態度，旅客通常會歸咎於外在因素，
不會責怪自己難搞。房間部分，髒亂、過於狹小、單一無裝飾、過於老舊、
以及員工部分的服務態度不佳，都是旅客在入住飯店時，最能直接的負面感 受。當對飯店有負面情緒時，更會激起旅客對價格的注意，認為自己的花費 並沒有得到相應的回報。
因此，即使飯店整體規劃再好，再旅客最直接接觸的人(員工)、事(服務) 以及物(房間)方面，若無維持好品質，便功虧一簣。 一個飯店要獲得好的評 價，除了顧好房間及服務品質，更要創造良好的整體感，便能成功取悅旅客。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第五章、 結論
根據本篇研究之自然語言處理、數據分析之結果，便能了解到哪些因素會影 響到顧客對顧客對飯店的評論，進而影響到評論分數的高低。如果顧客感到位置 便利、環境舒適、心情愉悅等等正面感受，就會獲得好評；如果顧客感到環境髒 亂、設備老舊、房間狹小等等負面感受，就會獲得負評。因此，飯店管理應著重 於地理位置的便利性、飯店的房型和格局，以及專業的服務態度，以增加顧客正 向評價。
‧
林大貴(2017)。Tensorflow+keras 深度學習人工智慧實務應用。新北市：博碩。
人工智能. (n.d.).In Wikipedia.，上網日期 107 年 11 月 25 日，
檢自: https://wiki.mbalib.com/zh-tw/人工智能
蕭佑和(2018).完整解析 AI 人工智慧：3 大浪潮＋3 大技術＋3 大應用，
上網日期 107 年 11 月 25 日，
檢自:https://meethub.bnext.com.tw/完整解析 ai 人工智慧：3 大浪潮＋3 大技術＋3 大應用
c.s.blog.2017.Understanding LSTM
Networks,from:http://colah.github.io/posts/2015-08-Understanding-LSTMs/
Entrepreneur Network.(2018/1/18).10 Artificial Intelligence Trends to Watch in 2018.fromhttps://www.entrepreneur.com/article/307589
Géron, A. (2017). Hands-on machine learning with Scikit-Learn and TensorFlow:
concepts, tools, and techniques to build intelligent systems: " O'Reilly Media, Inc.".
Hochreiter, S., & Schmidhuber, J. J. N. c. (1997). Long short-term memory. 9(8), 1735-1780.
Jacques Bughin, Eric Hazan, SreeRamaswamy, Michael Chui, TeraAllas, Peter Dahlström, Nicolaus Henke, and Monica Trench(2017). How artificial intelligence can deliver real value to companies,from
https://www.mckinsey.com/business-functions/mckinsey-analytics/our-insights/how-a rtificial-intelligence-can-deliver-real-value-to-companies
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
PwC (2017).Sizing the prize What’s the real value of AI for your business and how can you
capitalise?,fromhttps://www.pwc.com/gx/en/issues/analytics/assets/pwc-ai-analysis-si zing-the-prize-report.pdf
Sebastian RaschkaVahidMirjalili (2015). Python Machine Learning.Birmingham :Packt Publishing Ltd