Fürdőlátogatók véleményeinek témamodellezése a Gellért Gyógyfürdő és Uszoda példáján
DOI:
https://doi.org/10.15170/MM.2021.55.04.03Kulcsszavak:
számítógépes szövegfeldolgozás, témamodellezés, látens Dirichlet eloszlás, Gellért fürdőAbsztrakt
A TANULMÁNY CÉLJA
A tanulmány a Gellért Gyógyfürdő és Uszoda 2004 és 2021 között a fürdő látogatói által írt vendégvélemények számítógépes topikmodellezésének eredményeit ismerteti. A turizmusmarketing szempontjából kiemelten fontos a vendégvélemények elemzése, különös tekintettel a jelentős forgalmat bonyolító attrakciókra. A Gellért Budapest, illetve Magyarország ikonikus műemlékfürdője, olyan egészségturisztikai attrakció, amely nagyon sok Budapestre látogató számára jelent kihagyhatatlan élményt. Ezt jól tükrözi az elmúlt másfél évtizedben a Tripadvisoron íródott több mint tízezer, közel harminc nyelven írt vendégbejegyzés, amely olyan óriási tömegű, hogy átfogó érétkelésére csak gépi módszerekkel van lehetőség.
ALKALMAZOTT MÓDSZERTAN
A Tripadvisoron 2005 és 2021 között írt összes véleményt egy erre a célra írt kisalkalmazás segítségével töltöttük le. A nem angol nyelven íródott véleményeket a Google Fordító segítségével angolra fordítottuk. Az így kapott korpuszt a szövegbányászat egyik gyorsan fejlődő módszerével, a látens Dirichlet allokációt alkalmazó strukturált témamodellezés segítségével vizsgáltuk meg, hogy melyek a több vendégvéleményben jellemzően előforduló témák. Ehhez az R statisztikai szoftvert, illetve az R környezetben futó STM strukturált témamodellező alkalmazást alkalmaztuk.
LEGFONTOSABB EREDMÉNYEK
A modellezés során a vendégvéleményekben 12 jellemző témát azonosítottuk. Ezeket összevetettük egy korábbi, ugyanezt a korpuszt vizsgáló, a szavak gyakorisági vizsgálatára épülő elemzéssel is, amelyből kiderült, hogy mindkét módszertan alapján hasonló témák azonosíthatók. Külön is elemeztük a vendégek által jórészt negatívan értékelt szolgáltatási jellemzőkkel kapcsolatos vélemények reprezentációját a vizsgált időhorizonton. Eszerint a higiéniával, tisztasággal kapcsolatos téma aránya nőtt, míg a fürdő vendégkommunikációjával kapcsolatos, szintén jórészt negatív megítélésű téma részaránya csökkent az írott a Gellért fürdőről írt vendégvéleményekben.
Hivatkozások
Balogh K. (2015). A látens Dirichlet allokáció társadalomtudományi alkalmazása [ELTE Társadalomtudományi Kar]. https://tas.precognox.com/labs/kuruc-info-visualization/A_latens_Dirichlet_allokacio_tarsadalomtudomanyi_alkalmazasa_Balogh_Kitti.pdf
Blei, D. M. (2012), Probabilistic topic models. Communications of the ACM, 55(4), 77–84. DOI: 10.1145/2133806.2133826
Blei, D. M., Ng, A. Y., & Jordan, M. I. (2003), Latent Dirichlet Allocation. Journal of Machine Learning Research, 3(4–5), 993–1022. DOI: 10.1162/JMLR.2003.3.4-5.993
Calheiros, A. C., Moro, S., & Rita, P. (2017), Sentiment Classification of Consumer-Generated Online Reviews Using Topic Modeling. Journal of Hospitality Marketing & Management, 26(7), 675–693. DOI: 10.1080/19368623.2017.1310075
Gerrish, S., & Blei, D. M. (2012), How They Vote: Issue-Adjusted Models of Legislative Behavior. Advances in Neural Information Processing Systems, 25, 2753–2761. https://proceedings.neurips.cc/paper/2012/hash/193002e668758ea9762904da1a22337c-Abstract.html
Hinek M. (2021), Fesztivállátogatók véleményeinek számítógéppel támogatott tematikus modellezése – egy kísérlet eredményei Computer-aided topic modelling based on festival-goers’ opinions – results of an experiment. Turizmus Bulletin, 21(1), 4–12. DOI: 10.14267/TURBULL.2021v21n1.1
Hu, N., Zhang, T., Gao, B., & Bose, I. (2019), What do hotel customers complain about? Text analysis using structural topic model. Tourism Management, 72, 417–426. DOI: 10.1016/j.tourman.2019.01.002
Kirilenko, A. P., Stepchenkova, S. O., & Dai, X. (2021), Automated topic modeling of tourist reviews: Does the Anna Karenina principle apply? Tourism Management, 83, 104241. DOI: 10.1016/j.tourman.2020.104241
Korfiatis, N., Stamolampros, P., Kourouthanassis, P., & Sagiadinos, V. (2019), Measuring service quality from unstructured data: A topic modeling application on airline passengers’ online reviews. Expert Systems with Applications, 116, 472–486. DOI: 10.1016/j.eswa.2018.09.037
Park, K., & Ha, S. H. (2017), Customer Service Evaluation based on Online Text Analytics: Sentiment Analysis and Structural Topic Modeling. The Journal of Information Systems, 26(4), 327–353. DOI: 10.5859/KAIS.2017.26.4.327
Paul, M. J., & Dredze, M. (2014), A Model for Mining Public Health Topics from Twitter. PLoS ONE, 9(8), e103408. DOI: 10.1371/journal.pone.0103408
R Core Team. (2021), R: A language and environment for statistical computing (4.1.1) [Computer software]. https://www.R-project.org/
Roberts, M. E., Stewart, B. M., & Airoldi, E. M. (2016), A model of text for experimentation in the social sciences. Journal of the American Statistical Association, 111(515), 988–1003. DOI: 10.1080/01621459.2016.1141684
Roberts, M. E., Stewart, B. M., & Tingley, D. (2019), stm: An R Package for Structural Topic Models. Journal of Statistical Software, 91, 1–40. DOI: 10.18637/jss.v091.i02
Roberts, M. E., Tingley, D., Stewart, B. M., & Airoldi, E. M. (2013), The Structural Topic Model and Applied Social Science. NIPS 2013 Workshop on Topic Models: Computation, Application, and Evaluation. DOI: 10.1080/01621459.2016.1141684
Smith, M. K., Jancsik, A., & Puczkó, L. (2020), Customer satisfaction in post-socialist Spas: A case study of Budapest, City of Spas. International Journal of Spa and Wellness, 3(2–3), 165–186. DOI: 10.1080/24721735.2020.1866330
Sutherland, I., Sim, Y., Lee, S. K., Byun, J., & Kiatkawsin, K. (2020), Topic Modeling of Online Accommodation Reviews via Latent Dirichlet Allocation. Sustainability, 12(5), 1821. DOI: 10.3390/su12051821
Weinshall, D., Levi, G., & Hanukaev, D. (2013), LDA Topic Model with Soft Assignment of Descriptors to Words. Proceedings of the 30th International Conference on Machine Learning, 711–719. https://proceedings.mlr.press/v28/weinshall13.html
