基于回頭客在線評(píng)論的餐飲消費(fèi)滿意度影響因素分析

李薇 楊東山

摘要：線上餐飲平臺(tái)興起后，更多的消費(fèi)者選擇在網(wǎng)上訂餐，在線評(píng)論數(shù)據(jù)量急劇增加。大量的評(píng)論數(shù)據(jù)背后隱藏著消費(fèi)者對(duì)于美食的滿意度因素，這些文本數(shù)據(jù)客觀地反映了消費(fèi)者的滿意度情況，其中，回頭客再次選擇的因素更加值得餐飲商家關(guān)注。文章以美團(tuán)網(wǎng)站五種餐飲類別的50 000條數(shù)據(jù)為研究對(duì)象，對(duì)文本數(shù)據(jù)進(jìn)行詞頻統(tǒng)計(jì)、語(yǔ)義網(wǎng)絡(luò)圖和系統(tǒng)聚類分析，認(rèn)為影響回頭客滿意度的主要因素依次為餐品味道、菜品種類、服務(wù)態(tài)度、環(huán)境整潔及價(jià)格實(shí)惠。

關(guān)鍵詞：文本挖掘;系統(tǒng)聚類;語(yǔ)義網(wǎng)絡(luò);可視化分析

大數(shù)據(jù)給傳統(tǒng)餐飲行業(yè)帶來(lái)了巨大的挑戰(zhàn)，它改變了傳統(tǒng)餐飲行業(yè)的管理模式和營(yíng)銷方式，推動(dòng)著餐飲行業(yè)的發(fā)展。第46次《中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》統(tǒng)計(jì)，截至2020年6月，我國(guó)網(wǎng)民的規(guī)模達(dá)到9.40億，互聯(lián)網(wǎng)的普及率達(dá)到67.0%，其中，我國(guó)網(wǎng)上訂餐規(guī)模達(dá)到4.09億，占網(wǎng)民規(guī)模的43.5%且占比增速較快。

據(jù)中國(guó)產(chǎn)業(yè)經(jīng)濟(jì)信息網(wǎng)數(shù)據(jù)顯示，2019年，全國(guó)餐飲收入達(dá)到46 721億元，同比增長(zhǎng)9.4%。但是，餐飲行業(yè)的競(jìng)爭(zhēng)壓力大，線上餐飲平臺(tái)的興起帶動(dòng)線下餐飲向線上餐飲轉(zhuǎn)變，現(xiàn)在大多數(shù)餐飲商家都和第三方平臺(tái)如美團(tuán)、餓了么和大眾點(diǎn)評(píng)等進(jìn)行合作。餐飲商家通過(guò)這些餐飲平臺(tái)，提供美食的信息以供消費(fèi)者選購(gòu)。

但是，消費(fèi)者很難依據(jù)餐飲商家提供的美食信息做出購(gòu)買(mǎi)行為，因?yàn)樯碳姨峁┑男畔⑹蔷哂凶岳院兔阑Ч模蠖鄶?shù)消費(fèi)者只能通過(guò)其他消費(fèi)者的評(píng)論來(lái)判斷美食的味道、服務(wù)的質(zhì)量和環(huán)境的好壞。商家也可以通過(guò)這些文本評(píng)論來(lái)了解消費(fèi)者的消費(fèi)偏好，從而對(duì)自己的菜品進(jìn)行改善，提升競(jìng)爭(zhēng)力。因此，如何在眾多的在線評(píng)論中挖掘出背后隱含的信息就顯得非常重要。

本文基于美團(tuán)網(wǎng)站回頭客的餐飲消費(fèi)評(píng)論，通過(guò)網(wǎng)絡(luò)爬蟲(chóng)技術(shù)抓取美食中甜點(diǎn)飲品、火鍋、自助餐、小吃快餐和燒烤烤肉五類有關(guān)的50 000條在線評(píng)論，找出消費(fèi)者滿意度的影響因素。

一、文獻(xiàn)綜述

1960年，Maron等發(fā)表了第一篇有關(guān)自動(dòng)分類的論文[1]，此后，這一領(lǐng)域的研究成果開(kāi)始逐漸增加。Baek等使用Web數(shù)據(jù)搜尋器從Amazon.com收集了75 226條在線消費(fèi)者評(píng)論數(shù)據(jù)，對(duì)評(píng)論文本進(jìn)行情感分析，其結(jié)果表明，包括評(píng)論等級(jí)和評(píng)論者信譽(yù)的外圍提示，以及諸如評(píng)論內(nèi)容之類的核心提示，都會(huì)影響評(píng)論的有用性。基于雙重過(guò)程理論，我們發(fā)現(xiàn)消費(fèi)者將重點(diǎn)放在不同的評(píng)論信息源上，這取決于他們閱讀評(píng)論的目的：在線評(píng)論可用于信息搜索或評(píng)估替代方案，為在線市場(chǎng)所有者提供了有關(guān)如何在其網(wǎng)站上管理在線評(píng)論的新觀點(diǎn)[2]。Cao等考察了在線評(píng)論的各種功能（即基本風(fēng)格和語(yǔ)義特征），將文本挖掘技術(shù)用于從評(píng)論文本中提取語(yǔ)義特征，得出語(yǔ)義特征在影響投票評(píng)論比其他特征更具影響力這一結(jié)論[3]。Reyes等在亞馬遜網(wǎng)站收集了具有“諷刺”意味的評(píng)論，并使用三個(gè)分類器進(jìn)行了評(píng)估，初步結(jié)果表明，這些評(píng)論在很大程度上是積極的，并提供了對(duì)諸如情感分析、觀點(diǎn)挖掘和決策之類的語(yǔ)言的相關(guān)建議[4]。Pu等利用多個(gè)特征來(lái)識(shí)別相關(guān)的意見(jiàn)句子，然后利用支持向量機(jī)（support vector machines，SVM）對(duì)總體意見(jiàn)句子進(jìn)行編碼，以進(jìn)行文檔情感分類，用產(chǎn)品評(píng)論和電影評(píng)論證明了其有效性[5]。

相對(duì)于英語(yǔ)而言，中文詞語(yǔ)在不同的語(yǔ)境中有著不同的寓意，中文詞語(yǔ)的復(fù)雜性導(dǎo)致了我國(guó)文本挖掘發(fā)展速度相對(duì)較慢。但隨著互聯(lián)網(wǎng)、電子商務(wù)的迅速發(fā)展，線上餐飲業(yè)產(chǎn)生了大量的評(píng)論信息，如何利用文本挖掘技術(shù)從海量的評(píng)論中獲取有用的信息也成為眾多學(xué)者研究的熱點(diǎn)。關(guān)菲等利用三層貝葉斯概率模型（latent dirichlet allocation，LDA）主題模型對(duì)評(píng)論主題進(jìn)行劃分，通過(guò)高頻詞和語(yǔ)義網(wǎng)分析消費(fèi)者的關(guān)注點(diǎn) [6]。范寧利用攜程網(wǎng)民宿的評(píng)論文本數(shù)據(jù)進(jìn)行可視化分析（詞云圖和語(yǔ)義網(wǎng)絡(luò)）和LDA主題模型分析，最后利用層次聚類分析得出客房硬件、總體服務(wù)、餐飲、地理位置和性價(jià)比是其重要的五個(gè)因素這一結(jié)論 [7]。王海宇以Apriori算法為基礎(chǔ)，通過(guò)R語(yǔ)言探尋服裝品類重復(fù)購(gòu)買(mǎi)影響因素與重復(fù)購(gòu)買(mǎi)行為間的關(guān)聯(lián)強(qiáng)弱關(guān)系[8]。伊秀娟通過(guò)改進(jìn)Single-pass算法的相似度計(jì)算方式，解決了其聚類對(duì)于文檔輸入順序敏感的問(wèn)題[9]。司利紅利用LDA主題提取不同類別主題詞，再用詞頻和共現(xiàn)度篩選出一級(jí)主題詞，利用Word2vec相似詞提取得到二級(jí)主題詞，從而保證了主題詞的全面性[10]。對(duì)食客的評(píng)論數(shù)據(jù)，宋悅用扎根理論進(jìn)行開(kāi)放性編碼、選擇性編碼和理論性編碼，分析不同類型餐廳的核心影響因素[11]。張紅霞通過(guò)對(duì)生鮮產(chǎn)品評(píng)論數(shù)據(jù)的文本挖掘，探尋消費(fèi)者關(guān)注的因素，運(yùn)用內(nèi)容分析方法進(jìn)行編碼分析，并用回歸和四分圖模型分析影響消費(fèi)者滿意度的因素[12]。張華泉等結(jié)合服務(wù)質(zhì)量理論和消費(fèi)者滿意度理論，構(gòu)建生鮮電商消費(fèi)者滿意度影響因素概念模型，并以消費(fèi)者的評(píng)論數(shù)據(jù)為對(duì)象，使用雙樣本Z檢驗(yàn)和結(jié)構(gòu)方程模型對(duì)模型中各影響因素進(jìn)行驗(yàn)證，研究結(jié)果表明“物流因素”和“平臺(tái)因素”對(duì)消費(fèi)者正面滿意度產(chǎn)生直接影響，而“產(chǎn)品因素”與消費(fèi)者負(fù)面滿意度之間具有顯著的正向影響作用[13]。何薇等提出了一套基于文本挖掘的客戶服務(wù)滿意度分析框架，實(shí)現(xiàn)了對(duì)不滿意工單和原因的識(shí)別[14]。董爽等通過(guò)對(duì)購(gòu)物網(wǎng)站在線評(píng)論高頻詞的特征分析，發(fā)現(xiàn)消費(fèi)者更多關(guān)注手機(jī)的商品特征和情感表達(dá)，關(guān)注服務(wù)特征的則相對(duì)較少 [15]。王濤等通過(guò)Rostcm軟件將LDA主題模型生成的特征主題詞與所修飾的情感詞生成語(yǔ)義網(wǎng)絡(luò)，從而緩解了挖掘文本信息的復(fù)雜性[16]。劉敏等以手機(jī)在線評(píng)論為基礎(chǔ)，引入評(píng)論對(duì)象和評(píng)論觀點(diǎn)，通過(guò)社會(huì)語(yǔ)義網(wǎng)絡(luò)構(gòu)建和情感分析兩種方法進(jìn)行分析[17]。賈璇通過(guò)對(duì)求職軟件的評(píng)論進(jìn)行特征詞提取、制作詞云圖、語(yǔ)義網(wǎng)絡(luò)分析和情感極性特征分析，得出了用戶對(duì)各求職軟件使用的情感極性分布 [18]。何立峰采用Word2Vec方法訓(xùn)練詞向量模型，從在線評(píng)論中提取酒店服務(wù)的屬性特征，構(gòu)建情感詞典，運(yùn)用情感詞典匹配的方法對(duì)酒店服務(wù)屬性特征進(jìn)行情感分析，從而將非結(jié)構(gòu)化的評(píng)論數(shù)據(jù)轉(zhuǎn)化為可利用的結(jié)構(gòu)數(shù)據(jù)[19]。熊偉等通過(guò)文本挖掘技術(shù)的批量處理功能，對(duì)酒店顧客的在線評(píng)論進(jìn)行詞頻和情感分析，并結(jié)合時(shí)間序列分析法預(yù)測(cè)其未來(lái)的發(fā)展趨勢(shì)[20]。

二、餐飲在線評(píng)論的數(shù)據(jù)獲取

（一）數(shù)據(jù)選擇

目前，互聯(lián)網(wǎng)上存在眾多的線上餐飲平臺(tái)，比如美團(tuán)、餓了么和大眾點(diǎn)評(píng)等。這些平臺(tái)在線評(píng)論的數(shù)量和質(zhì)量各不相同，需從眾多餐飲平臺(tái)中選擇最合適的。在綜合考慮網(wǎng)站訪問(wèn)量和網(wǎng)站知名度、獲取數(shù)據(jù)是否便捷兩個(gè)因素后，本文最終選擇美團(tuán)網(wǎng)作為數(shù)據(jù)樣本來(lái)源平臺(tái)。

1.根據(jù)網(wǎng)站訪問(wèn)量和網(wǎng)站知名度等情況，通過(guò)Alexa網(wǎng)站排名對(duì)美團(tuán)網(wǎng)、餓了么和大眾點(diǎn)評(píng)進(jìn)行綜合排名（更新于2020年3月11日），詳見(jiàn)表1所示。

從表1中可以看出，美團(tuán)網(wǎng)的Alexa全球排名在其余兩個(gè)網(wǎng)站之上，且美團(tuán)網(wǎng)在行業(yè)排名中也位居第一。

2.本文以回頭客在線評(píng)論作為研究數(shù)據(jù)樣本，觀察各大餐飲平臺(tái)的在線評(píng)論，發(fā)現(xiàn)評(píng)論體系各不相同。由于美團(tuán)網(wǎng)有回頭客在線評(píng)論這一欄，爬取數(shù)據(jù)時(shí)相對(duì)便捷，這也使本文選取的數(shù)據(jù)更具有針對(duì)性。同時(shí)，美團(tuán)網(wǎng)的評(píng)價(jià)體系相對(duì)其他網(wǎng)站也較為成熟，在回頭客評(píng)論頁(yè)面的文本描述也較清晰。

根據(jù)以上分析，美團(tuán)網(wǎng)站的回頭客在線評(píng)論在回頭客研究中具有良好的代表性，可以從其文本評(píng)論內(nèi)容中挖掘出對(duì)餐飲行業(yè)有用的信息。因此，本文選取美團(tuán)網(wǎng)的回頭客評(píng)論作為研究對(duì)象。

（二）餐飲種類的選取

餐飲種類的選擇包含兩個(gè)方面，一是餐飲所在地區(qū)，二是餐飲類別。本文主要研究的是基于回頭客的消費(fèi)滿意度影響因素，考慮到所需在線評(píng)論數(shù)量多且對(duì)質(zhì)量要求較高，所以選擇美團(tuán)網(wǎng)美食頁(yè)面所給的熱門(mén)城市進(jìn)行數(shù)據(jù)爬取。在餐飲類別的選擇上，根據(jù)平臺(tái)排列順序及是否常見(jiàn)，選取了甜點(diǎn)飲品、火鍋、自助餐、小吃快餐和燒烤烤肉五個(gè)餐飲類別。本文選取各個(gè)熱門(mén)城市銷量較高和好評(píng)較多的餐飲商家來(lái)爬取評(píng)論內(nèi)容。

（三）數(shù)據(jù)爬取

本文需要的數(shù)據(jù)為美團(tuán)網(wǎng)站上甜點(diǎn)飲品、火鍋、自助餐、小吃快餐和燒烤烤肉五類美食回頭客的在線文本評(píng)論。由于Python語(yǔ)言在數(shù)據(jù)爬取方面較其他編程語(yǔ)言優(yōu)勢(shì)明顯，可以運(yùn)用于眾多的擴(kuò)展庫(kù)來(lái)實(shí)現(xiàn)數(shù)據(jù)的獲取。Python語(yǔ)言爬取回頭客評(píng)論數(shù)據(jù)的規(guī)則如圖1所示。

三、基于文本挖掘的特征分析

（一）詞頻統(tǒng)計(jì)

對(duì)詞語(yǔ)在整個(gè)文本中出現(xiàn)的頻率進(jìn)行統(tǒng)計(jì)具有重要意義，從詞頻統(tǒng)計(jì)中可以大致預(yù)測(cè)到回頭客的滿意因素，五類美食的詞頻統(tǒng)計(jì)如表2至表6所示。

從表2至表6中，可以看出每一類美食評(píng)論的詞頻數(shù)，排在前面的大都為味道、菜品、服務(wù)、環(huán)境和實(shí)惠等，但是這些詞在每一類美食中的排序又各不相同，比如火鍋詞頻統(tǒng)計(jì)表中以味道、菜品、服務(wù)和環(huán)境為次序排序，而在小吃快餐中卻以味道、顧客、實(shí)惠和環(huán)境為次序排列，從中可以看出每一類美食對(duì)于回頭客的影響因素有些許的不同。

（二）基于語(yǔ)義網(wǎng)絡(luò)的可視化分析

語(yǔ)義網(wǎng)絡(luò)基于詞語(yǔ)的出現(xiàn)頻率、詞語(yǔ)間的共現(xiàn)頻率和間隔距離來(lái)探索文本的含義。本文通過(guò)ROST CM6.0對(duì)回頭客文本評(píng)論進(jìn)行語(yǔ)義網(wǎng)絡(luò)可視化分析，得出五類美食的語(yǔ)義網(wǎng)絡(luò)圖和語(yǔ)義網(wǎng)絡(luò)頻數(shù)表。通過(guò)語(yǔ)義網(wǎng)絡(luò)圖分析詞與詞之間的關(guān)系是否密切，其中線條密集程度越高表示兩者的關(guān)系越緊密[21]。

火鍋美食的語(yǔ)義網(wǎng)絡(luò)圖和語(yǔ)義網(wǎng)絡(luò)頻數(shù)表分別如圖3和表7所示。從圖3可以看出，味道、菜品、服務(wù)和環(huán)境是重要的節(jié)點(diǎn)，大部分分支都從這四個(gè)節(jié)點(diǎn)出發(fā)。以味道節(jié)點(diǎn)為例，與之距離較近的關(guān)鍵詞有新鮮、菜品、服務(wù)、好吃和環(huán)境。因此，可以看出，回頭客對(duì)于火鍋美食的味道、服務(wù)、菜品和環(huán)境最為關(guān)注。

燒烤烤肉美食的語(yǔ)義網(wǎng)絡(luò)圖和語(yǔ)義網(wǎng)絡(luò)頻數(shù)表分別如圖4和表8所示。從圖4中可以看出，味道、菜品、服務(wù)、環(huán)境是其重要的節(jié)點(diǎn)。以菜品節(jié)點(diǎn)為例，與其距離較近的關(guān)鍵詞有味道、服務(wù)、環(huán)境和態(tài)度，可以看出燒烤烤肉的菜品、味道、服務(wù)和環(huán)境是影響回頭客是否再次選擇的重要因素。

甜點(diǎn)飲品美食的語(yǔ)義網(wǎng)絡(luò)圖和語(yǔ)義網(wǎng)絡(luò)頻數(shù)表分別如圖5和表9所示。從圖5中可以看出，味道、菜品、服務(wù)、環(huán)境、蛋糕是其重要的節(jié)點(diǎn)。以味道節(jié)點(diǎn)為例，與其距離較近的關(guān)鍵詞有好吃、蛋糕、態(tài)度和環(huán)境等，可以看出回頭客對(duì)于甜點(diǎn)飲品的味道及服務(wù)更為關(guān)注。

小吃快餐美食的語(yǔ)義網(wǎng)絡(luò)圖和語(yǔ)義網(wǎng)絡(luò)頻數(shù)表分別如圖6和表10所示。從圖6中，可以看出味道是最重要的節(jié)點(diǎn)。與味道節(jié)點(diǎn)距離較近的關(guān)鍵詞有環(huán)境、好吃和劃算，可以看出回頭客最為關(guān)注小吃快餐的味道。

自助餐美食的語(yǔ)義網(wǎng)絡(luò)圖和語(yǔ)義網(wǎng)絡(luò)頻數(shù)表分別如圖7和表11所示。從圖7中，可以看出環(huán)境、服務(wù)和菜品是其重要的節(jié)點(diǎn)。以環(huán)境節(jié)點(diǎn)為例，與其距離較近的關(guān)鍵詞有菜品、服務(wù)員、味道，從中可以看出回頭客最為關(guān)注的是自助餐的環(huán)境、服務(wù)和菜品。

四、餐飲滿意度的影響因素分析

（一）系統(tǒng)聚類

聚類分析是一個(gè)基于信息相似性和差異性、將信息劃分成一些簇的過(guò)程，同簇之間對(duì)象的相似性較高，非同簇之間的相似性較低。數(shù)據(jù)對(duì)象之間的相似程度受其取值范圍的影響，在進(jìn)行聚類分析的過(guò)程中以不同的聚類方法進(jìn)行聚類，得到的結(jié)果也有所不同。

對(duì)于文本聚類而言，聚類方法有很多，常用的有K-means聚類[22]和系統(tǒng)聚類。本文采用系統(tǒng)聚類，因其相對(duì)于K-means聚類而言，在選擇初始K值和聚類中心點(diǎn)上具有優(yōu)勢(shì)，限制的條件較少，也不用提前確定聚類的數(shù)量[23]。

在初始狀態(tài)下，系統(tǒng)聚類將每一個(gè)樣本都當(dāng)成獨(dú)立的一類，如含n個(gè)樣本的數(shù)據(jù)集就有n類。通過(guò)計(jì)算類別與類別之間的距離，系統(tǒng)聚類將距離最小的兩類合成新的一類，這時(shí)數(shù)據(jù)集中就剩下n-1類。系統(tǒng)聚類進(jìn)一步找出距離最小的兩類，并將它們合成一類，這時(shí)數(shù)據(jù)集中就剩下n-2類。以此類推，數(shù)據(jù)集最終只剩下一類，即包括全體數(shù)據(jù)的類。

（二）聚類結(jié)果及分析

本文通過(guò)R語(yǔ)言進(jìn)行系統(tǒng)聚類，對(duì)文本數(shù)據(jù)進(jìn)行分詞處理之后生成語(yǔ)料庫(kù)，進(jìn)行降維處理[24]，再轉(zhuǎn)換成數(shù)據(jù)庫(kù)格式，進(jìn)行系統(tǒng)聚類。

以自助餐的系統(tǒng)聚類結(jié)果圖8為例，從中可看出，熱情和服務(wù)態(tài)度歸為一類，熱情和服務(wù)態(tài)度所形成的新類和味道又歸為一大類，依次歸類，最后歸為一大類。結(jié)合實(shí)際情況對(duì)聚類結(jié)果進(jìn)行分析，概括回頭客選擇自助餐美食的影響因素。分析所得的聚類圖可概括為五大類別，分別是服務(wù)態(tài)度、菜品味道、菜品新鮮度、菜品種類和環(huán)境。并由此得出表12的五類美食的系統(tǒng)聚類結(jié)果。

五、結(jié)論及建議

（一）結(jié)論

通過(guò)前文對(duì)回頭客數(shù)據(jù)的特征分析和聚類分析可知，火鍋美食對(duì)于回頭客而言，火鍋味道、菜品種類、服務(wù)態(tài)度和環(huán)境整潔是回頭客最為關(guān)注的因素，其中火鍋的味道是影響回頭客再次選擇的最重要的因素。燒烤烤肉美食對(duì)于回頭客而言，燒烤烤肉的菜品種類、味道、服務(wù)態(tài)度和環(huán)境整潔是回頭客最為關(guān)注的因素，其中菜品種類和味道是影響回頭客再次選擇的重要因素。甜點(diǎn)飲品美食對(duì)于回頭客而言，甜點(diǎn)飲品的味道、甜點(diǎn)是否以蛋糕為主、服務(wù)態(tài)度和環(huán)境整潔是回頭客最為關(guān)注的因素，其中甜點(diǎn)飲品的味道是影響回頭客再次選擇的重要因素。小吃快餐美食對(duì)于回頭客而言，小吃快餐的味道、環(huán)境整潔和價(jià)格是否實(shí)惠是回頭客最為關(guān)注的因素，其中小吃快餐的味道是影響回頭客再次選擇的重要因素。自助餐美食對(duì)于回頭客而言，自助餐食品的味道、菜品種類、食品新鮮度、環(huán)境整潔和服務(wù)態(tài)度是否實(shí)惠是回頭客最為關(guān)注的因素，尤其是自助餐的環(huán)境整潔和食品味道是影響回頭客再次選擇的重要因素。從五類美食的綜合分析得出，味道、環(huán)境和服務(wù)都是影響回頭客再次選擇的重要因素，但因美食種類的不同又有所差異，如小吃快餐美食對(duì)于回頭客而言，價(jià)格是否實(shí)惠也是其重要因素。

（二）建議

1.改善食品味道

從五類美食的關(guān)鍵詞提取和詞頻統(tǒng)計(jì)分析，可以看出回頭客在五類美食評(píng)論中，味道都是出現(xiàn)較多的詞。從實(shí)際情況出發(fā)，味道是美食商家經(jīng)營(yíng)的核心，只要美食的味道得到了消費(fèi)者的肯定，消費(fèi)者就極有可能成為商家的回頭客。商家可以通過(guò)嘗試設(shè)計(jì)多種味道的美食并讓消費(fèi)者進(jìn)行選擇，提升消費(fèi)者的回頭率。

2.打造多樣菜品

菜品在美食中的詞頻較高，在關(guān)鍵詞提取中，菜品也排在前面。尤其在火鍋、燒烤烤肉和自助餐美食分析中，菜品對(duì)于回頭客的影響極大。在這三類美食中，菜品的多樣可以吸引消費(fèi)者成為回頭客，滿足更多的消費(fèi)者對(duì)不同菜品的喜好。因此，美食商家應(yīng)該在成本可控的范圍內(nèi)盡可能使菜品多樣化。

3.提高服務(wù)水平

在詞頻統(tǒng)計(jì)分析和關(guān)鍵詞中，服務(wù)也是回頭客所關(guān)注的重要因素，服務(wù)對(duì)于消費(fèi)者用餐體驗(yàn)影響較大，無(wú)形服務(wù)[25]也是美食商家提升競(jìng)爭(zhēng)力的重要途徑，相比研發(fā)美食味道和增加菜品的多樣性而言，提高服務(wù)水平帶來(lái)的成本相對(duì)較低，也較容易改變。因此，美食商家應(yīng)該加強(qiáng)對(duì)服務(wù)人員的培訓(xùn)，熱情的服務(wù)態(tài)度會(huì)增加消費(fèi)者的幸福感。

4.改善用餐環(huán)境

環(huán)境在五類美食的詞頻統(tǒng)計(jì)和關(guān)鍵詞中都較靠前。隨著人們生活水平的提高，用餐的環(huán)境成為人們所關(guān)注重點(diǎn)，因此環(huán)境因素對(duì)顧客滿意度影響較大[26]，用餐環(huán)境包括店鋪的衛(wèi)生環(huán)境[27]和設(shè)計(jì)環(huán)境，良好的環(huán)境更容易吸引消費(fèi)者，提高消費(fèi)者的回頭率。因此，美食商家應(yīng)該針對(duì)所經(jīng)營(yíng)的美食進(jìn)行環(huán)境設(shè)計(jì)，并保證消費(fèi)者用餐環(huán)境的衛(wèi)生，讓消費(fèi)者有舒適感。

參考文獻(xiàn)：

[1]MARON M E， KUHNS J L. On Relevance， Proba-bilistic Indexing and Information Retrieval[J].Journal of the ACM，1960（7）：216-244.

[2]BAEK H， AHN J H， CHOI Y. Helpfulness of Online Consumer Reviews： Readers Objectives and Review Cues[J]. International Journal of Electronic Commerce，2012（2）：99-126.

[3]CAO Q， DUAN W J， GAN Q W. Exploring Determinants of Voting for the “Helpfulness” of Online User Reviews： A Text Mining Approach[J]. Decision Support Systems，2011（2）：511-521.

[4]REYES A， ROSSO P. Making Objective Decisions from Subjective Data： Detecting Irony in Customer Reviews[J]. Decision Support Systems，2012（4）：754-760.

[5]PU X J， WU G S， YUAN C F. Exploring Overall Opinions for DocumentLevel Sentiment Classification with Structural SVM[J]. Multimedia Systems，2019（1）：21-33.

[6]關(guān)菲，姜小冬.基于手機(jī)在線評(píng)論的特征挖掘[J].經(jīng)濟(jì)研究導(dǎo)刊，2019（31）：168-169.

[7]范寧.基于文本挖掘在民宿滿意度中的研究[D].桂林：廣西師范大學(xué)，2019：18-19.

[8]王海宇.基于在線評(píng)論的服裝品類消費(fèi)者重復(fù)購(gòu)買(mǎi)的影響因素研究[D].哈爾濱：哈爾濱工程大學(xué)，2018：37-49.

[9]伊秀娟.基于LDA主題模型的高校新聞話題發(fā)現(xiàn)研究[D].北京：北京交通大學(xué)，2019：10-45.

[10]司利紅.基于文本挖掘的餐飲商家評(píng)價(jià)系統(tǒng)[D].重慶：重慶師范大學(xué)，2019：30-33.

[11]宋悅.基于扎根理論的食客滿意度影響因素研究——以大眾點(diǎn)評(píng)網(wǎng)上海五星級(jí)餐廳食客評(píng)論為例[J].情報(bào)探索，2018（5）：52-57.

[12]張紅霞.生鮮農(nóng)產(chǎn)品電子商務(wù)消費(fèi)者滿意度影響因素——基于在線評(píng)論的探索分析[J].江蘇農(nóng)業(yè)科學(xué)，2019（17）：4-8.

[13]張華泉，俞守華，區(qū)晶瑩.生鮮農(nóng)產(chǎn)品電子商務(wù)消費(fèi)者滿意度影響因素研究——基于電子商務(wù)平臺(tái)消費(fèi)者在線評(píng)論[J].當(dāng)代經(jīng)濟(jì)，2019（8）：95-100.

[14]何薇，張劍，于雪霞，等.基于文本挖掘的電網(wǎng)客戶服務(wù)滿意度評(píng)價(jià)模型[J].電子世界，2017（7）：81-83.

[15]董爽，王曉紅，葛爭(zhēng)紅.基于文本挖掘的B2C購(gòu)物網(wǎng)站在線評(píng)論內(nèi)容特征分析[J].圖書(shū)館理論與實(shí)踐，2017（6）：54-58.

[16]王濤，李明.基于LDA模型與語(yǔ)義網(wǎng)絡(luò)對(duì)評(píng)論文本挖掘研究[J].重慶工商大學(xué)學(xué)報(bào)（自然科學(xué)版），2019（4）：9-16.

[17]劉敏，王向前，李慧宗，等.基于文本挖掘的網(wǎng)絡(luò)商品評(píng)論情感分析[J].遼寧工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2018（5）：330-335.

[18]賈璇.基于文本挖掘的求職軟件顧客評(píng)論情感分析[J].科技與創(chuàng)新，2019（17）：1-4.

[19]何立峰.基于在線評(píng)論的酒店顧客需求分析研究[D].青島：青島大學(xué)，2019：21-46.

[20]熊偉，郭揚(yáng)杰.酒店顧客在線評(píng)論的文本挖掘[J].北京第二外國(guó)語(yǔ)學(xué)院學(xué)報(bào)，2013（11）：38-47.

[21]武傳表，向慧榮.基于SmartMining文本挖掘的旅游目的地形象研究——以遼寧四處世界文化遺產(chǎn)地為例[J].旅游論壇，2018（1）：91-102.

[22]楊丹，朱世玲，卞正宇.基于改進(jìn)的K-means算法在文本挖掘中的應(yīng)用[J].計(jì)算機(jī)技術(shù)與發(fā)展，2019（4）：68-71.

[23]李斌，郭劍毅.一種帶約束的最小離差平方和系統(tǒng)聚類法及應(yīng)用[J].計(jì)算機(jī)應(yīng)用，2005（1）：45-48.

[24]ZHAO D， CHEN G. Construction of Implicit Semantic Multi-label Text Fast Clustering Model based on Big Data[EB/OL]. [2020-05-30].https：//xueshu.baidu.com/usercenter/paper/show？paperid=1f0h0pj0ms3t0vv0sa1m0tr01p336507&site=xueshu_se.

[25]何晶晶.服務(wù)營(yíng)銷中有形展示在餐飲企業(yè)中的運(yùn)用[J].現(xiàn)代商業(yè)，2015（14）：33-34.

[26]林峰.基于因子分析的老字號(hào)餐飲企業(yè)顧客滿意度實(shí)證研究——一個(gè)個(gè)案研究的啟示[J].旅游學(xué)刊，2009（7）：53-58.

[27]高倩，朱夢(mèng)薇.南京餐飲企業(yè)顧客滿意度研究——以真知味酒店為例[J].江蘇科技信息，2013（20）：42-45.