Modern Management 现代管理, 2020, 10(4), 585-595
Published Online August 2020 in Hans. /journal/mm
/10.12677/mm.2020.104071
Research on Hotel Image Perception
Based on UGC
—A Case Study of a Tour Hotel (Hangzhou West Lake Guyu Road)
Yuying Chen, Beilei Hu, Yuanyuan Fan
School of Tourism and Urban-Rural Planning, Zhejiang Gongshang University, Hangzhou Zhejiang
Received: Jul. 28th, 2020; accepted: Aug. 12th, 2020; published: Aug. 19th, 2020
Abstract
Based on social comments and pictures in Ctrip OTA, this study adopts the method of text word frequency statistics, supplemented by Python language to judge the emotional tendency of text and statistics of emotional words, and analyzes the cognitive image and emotional image of Atour Hotel (Hangzhou West Lake Guyu Road). The research shows that in terms of cognitive image, customers’ impression of themed boutique hotels is still dominated by location, facilities and ser-vices of the hotel, and the IP concept of the hotel does not leave a deep impression. In terms of emotional image, whether positive or negative, it is the overall experience and the hotel environ-ment that can better attract the mood of the guests. When the immersive experience provided by the hotel to the guests is insufficient, the guests seldom have enough feedback on IP, and the effect of using IP to operate their own hotel brand community is not high. Based on the research results, this paper puts forward suggestions for the construction of IP hotel image.
Keywords
UGC (User-Generated Content), Cognitive Image, Emotional Image, Sentiment Analysis
——以杭州西湖玉古路亚朵S吴酒店为例
天津海洋公园门票价格是多少
陈钰莹，胡蓓蕾，樊媛媛
浙江工商大学旅游与城乡规划学院，浙江杭州
收稿日期：2020年7月28日；录用日期：2020年8月12日；发布日期：2020年8月19日
陈钰莹 等
摘 要
该研究以在携程OTA 的社交评论和图片为素材，采用文本词频统计的方法，辅以Python 语言对文本情感倾向进行判断和情感词的统计，对杭州西湖玉古路亚朵S 吴酒店认知形象和情感形象进行分析。研究表明：在认知形象方面，顾客对于主题精品酒店的印象，仍然以酒店的区位、设施、服务为主，酒店的IP 概念并没有留下深刻印象；在情感形象上，无论是积极亦或是消极情感上，都是整体体验和酒店环境更能牵引住客的情绪。当酒店提供给住客的沉浸式体验不足时，住客较少对IP 有足够反馈，利用IP 经营自身酒店品牌社的成效不高。本文基于研究结果，为IP 酒店形象的构建提出建议。 关键词
UGC 数据，认知形象，情感形象，情感分析
Copyright © 2020 by author(s) and Hans Publishers Inc.
This work is licensed under the Creative Commons Attribution International License (CC BY 4.0). /licenses/by/4.0/
1. 引言
随着互联网及社交媒体成为了目的地形象传播的主流平台，通过“由用户产生的内容(user-generated content, UGC) [1]”所构建的品牌形象已成为影响潜在决策的重要因素。赵宇翔、范哲等[2] [3]研究表示，UGC 研究主题具体表现为用户评论与口碑对旅游行业、酒店、产品销售、餐饮娱乐等的影响。
而为了解消费者的满意度和情感倾向，会常用到情感分析技术，其主要应用于产品评论、社会舆情等领域。刘逸等[4]基于大数据设置了情感分析的六类测评规则，最终得出一种与权威检测数据最为吻合的测评规则，叶强[5]等采用SVM 算法进行评论情感分类，这些研究使得情感分析技术在旅游领域逐渐发展成熟。
酒店的竞争日益激烈，从卖房间，到卖服务，再到如今的卖文化体验。当前很多酒店都在酒店的文化体验上用功，形成自己酒店的企业品牌，但因为酒店具有企业的有形性，又有旅游业的无形性的特性，塑造酒店形象就更加困难复杂。
品牌形象是消费者对品牌的主观认知，来自于消费者对品牌的概念和图像的感知，及其关于品牌的联想和评价，是消费者对品牌的总体感知或全部印象。有关品牌形象与品牌联想之间关系的问题，国内在这方面的实证研究相对较多，并取得不少成就。范秀成和张辉(2012)以酒店企业为例，对服务品牌形象是否影响企业绩效及探究如何提升品牌形象进行检验[6]。
因此本文根据品牌形象理论，利用网络文本分析技术研究酒店认知形象和情感形象，在单一使用网络
文本的基础上，结合“有图评论”中图片和文本相结合形成的图片数据，加深对认知形象的研究深度，同时尝试引入基于词汇匹配技术的情感分析方法，加深情感形象的研究深度。
2. 研究设计
2.1. 研究方法
本文以入住杭州西湖玉古路亚S 吴酒店(下文简称“吴酒店”)的住客为研究对象，使用Python 编写
陈钰莹等
的相关文本分词工具，通过统计词频、对名词词频和图片按照不同维度进行分类，进行对酒店认知形象的研究。使用基于情感词典的情感分析法对网络评论文本进行质性研究，同时对情感词进行积极和消极两个维度分类。具体地，主要通过构建待匹配的词汇库、设定情感值和情感倾向的计算方案以构建情感分析模型，并使用Python编程技术进行情感评价结果的计算。结合图片信息，对正面评论和负面评论进行情感形象上的研究分析。
2.2. 研究对象
吴酒店，位于玉古路，是亚朵和著名财经作家、吴晓波频道创始人吴晓波联手打造的中国一家社酒
店。亚朵创立IP酒店合作模式，通过合作打开IP，为消费者带来沉浸式的空间体验，通过IP文化和完整的消费体验吸引中产阶级用户。2018年，“亚朵指数”被《2018中国新商业城市研究报告》称为新商业城市的三大指数之一。酒店行业正在从经营房间到运营人转化，用户购买的不仅仅是产品本身，更是对品牌的信任。截止2018年12月，亚朵的IP合作方有8家，门店则有10 家(不包含快闪酒店)，而“吴酒店”是亚朵探索IP酒店发展第一阶段。“吴酒店”的酒店影响力、IP酒店发展历史、发展现状、入住热度等基本情况均为本研究的开展提供了有利条件。
2.3. 研究过程
2.3.1. 文本抓取与图片提取
在数据来源上，综合比较各线上旅行商提供网络评论数据的样本量、文本结构、用户多样性，选取携程作为评论数据来源，评论生成的日期集中评论和图片的生成日期集中在2016年12月~2019年6月。使用网络爬虫工具，共攫取到的评论数量为2060 条，其中206条为有图评论，共627张图片。经过筛选，忽略字数少于50字、没有意义的评论，且保证评论的可比性，最终保留评论551条，共48,202字，627张图片全部保留。
2.3.2. 情感分析测评步骤
对于情感分析的测量模型，学界尚未有统一的定论，刘逸等[4]基于大数据设置了情感分析的六类测评规则并经过单年度和多年度校验，最终得出一种与权威监测数据最为吻合的测评规则。本文的情感分析模型主要参考刘逸等[4] [10]的研究结论，具体测评方案如下：
1) 情感词库构建。以HowNet的中文情感词典为基础。由于单一的情感名词较少出现在吴酒店的评论中，所以根据赵春利《情感形容词与名词同现的原则》[7]、潘震《情感致使构式的认知转喻特质》[8]研究，在情感词库中加入基于吴酒店评论文本可转喻为情感的名词、形容词和动词。人工提取到的、词典未包含的正面情感词118个、负面情感词128个。
程度级别词语以HowNet的为基础，已根据强烈程度被划分成五个倍数级别，否定词库和转折词库的构建考了刘逸等[4]、邸鹏等[9]的研究，同时否定词库在中科院整理的词库基础上增加。否定词和转折词分别包含79个和28个，其中转折词被分为两类(见表1)。
Table 1. Adversarial lexicon
长沙买房建议买哪个区
表1. 转折词词库
类别个数列举
第一类转折词14 虽然、虽是、虽说、尽管、固然、即便、纵使、即使、无论、纵然、不论、不管、任
凭、原本
第二类转折词14 但是、但、可是、不过、倒是、而、然而、然则、却、只是、只不过、才、可、还是
表格来源：参考刘逸等[4]、邸鹏等[9]的研究。世界之最
陈钰莹 等
2) 模型规则制定。以匹配到的情感词为基础，根据情感词前后的程度词、否定词、转折词的词性，乘以一定的系数，再将负面情感词乘以情感乘数后，计算每一条评论的情感得分。具体地，先赋予所有正面/负面情感词汇以1/−1的分值，作为情感得分的基础分；当情感词前后出现程度词时，按照其强烈程度，将情感得分乘以0.5/1.5/2/2.5/3 (分别对应欠/稍/较/很/极其)；当情感词前出现一个否定词时，将情感得分乘以−1，当出现多重否定时，奇数个否定则情感得分乘以−1，偶数个否定则情感得分不变；当情感词前出现转折词时，第一类转折词乘以−0.5，第二类转折词乘以2。
3) 情感倾向判定。设定情感乘数为5，即如果一条评论的正面得分不小于负面得分绝对值的5倍，则判定其为正面评论；如果正面得分不大于负面得分绝对值的2倍，则判定为负面评论；其余则为中性评论。
2.3.3. 认知形象和情感形象分析方法
本研究针对UGC 图片中目的地形象构成要素进行分析，其中根据“认知–情感”结构理论将分析的对象聚焦于图片所展现的酒店事物和相关图片评论。分析的路线如图1所示，另外图片的评论信息反映阅读者时的感受，基于赵春利[7]、潘震[8]的研究，情感形容词、情感动词、情感名词在一定程度上可视为酒店形象的体现。本文所采用的方法最终得到的是基于网络UGC 图片的酒店形象。
来源：作者绘制。
Figure 1. The process of Hotel image analysis 图1. 酒店形象分析的路线尤溪县
1) 认知形象分析过程。对相关文本进行处理和分析。对文本评论中的名词词频进行统计，并将高频出现的名词作为最重要内容，整理后命名为“文本高频名词”，基于“文本高频名词”人工对评论图片进行分类，整理数据命名为“图片高频名词”，即住客对吴酒店认知形象的体现。内容与图片组成方式是图像分类的主要依据，根据名词的词性，对文本高频词划分为7个维度，并分别统计文本高频名词在各维度间的数量及分布情况。用计算机对图片进行维度匹配并进行分析。
2) 情感形象分析过程。基于Hownet 词典和自建的感情词典，对文本评论出现的积极性和消极性评价性形容词等进行分类统计，高频词情感意象反映住客对吴酒店的情感感知。另外根据酒店入住评论的维度，将情感词按照“体验”、“设施/
产品”、“服务”、“环境”四个维度分类，结合评价图片对应
陈钰莹等
的文本情感倾向，对酒店做出情感形象分析。
3. 结果分析
南京哪些好玩的景点推荐3.1. 认知形象分析结果
3.1.1. 认知高频词
四月份适合旅游的地方
本文对图片内容进行分析和统计，共得到201个高频名词，总频次4090次。表2为前50的高频名词信息汇总。
Table 2. Ctrip OTA comment picture information in the noun high frequency word statistics (top 50 items)
表2. 携程OTA的评论图片信息中名词高频词统计(前50项)
名词词频名词词频名词词频
房间388 餐厅45 地方28
前台193 演唱会44 品种28
早餐186 书吧41 浙大玉泉校区27
西湖128 味道39 枕头27
感觉101 孩子38 地理位置26
杭州93 时候38 问题26
热情76 服务态度38 体验26
环境74 人员37 办理25
设施70 距离35 整体25
浙大57 景区34 安静25
交通55 性价比34 齐全24
服务员50 朋友33 黄龙体育馆23
大堂48 黄龙33 小22
风格47 态度33 矿泉水22
装修47 步行30 细节22
停车场46 用品30 体育场21
价格46 工作人员29
表格来源：作者绘制。
在所有高频词中过滤了诸如“亚朵”、“酒店”等多次重复出现的词汇，剩余的高频词多以名词出现，评论图片内容的描述更倾向于酒店内部场所描述有关。如表2所示，住客评论相对集中的酒店内部场所包括：房间、前台、大堂、停车场、餐厅、书吧、卫生间、健身房等。从统计结果看，客房所占比例较大，且与拍照热点地点保持一致。另外，酒店服务、内部设施及酒店周边景点、建筑等排名也较为靠前。
3.1.2. 认知维度
通过将图片元数据中的名词进行分类及合并，总计得到7个图片维度内容：人物、地点、交通、活动、场所、风格、设施/产品。进一步，通过人工按维度分类，得到的结果及各维度所占比例如表3所示。
