[[177789]]

作者|Jiaxu Luo, Charles Leung, Danli Zeng, Samriddhi Shakya

翻譯校對|吳小雯 Francis 姜范波 寒小陽

摘要

各位美食愛好者對于Yelp應(yīng)該比“大眾點評”更加熟悉。這家美食評論起家的網(wǎng)站是被全球公認(rèn)的“美食攻略提供者”，它是利用大眾經(jīng)驗和點評的最好例子之一，而其中的大量評價數(shù)據(jù)和排名機(jī)制也因此“操控”了很多家大小餐廳的生死。

開一家自己的餐廳，對小企業(yè)主們而言是一件很令人膽怯的活——開始經(jīng)營的前三年中，60%的餐廳會經(jīng)營失敗。對于很多業(yè)主，Yelp曝光率是決定他們能否挺過前三年經(jīng)營的關(guān)鍵因素。

本文來自NYC數(shù)據(jù)科學(xué)學(xué)院舉辦的為期12周全日制的數(shù)據(jù)科學(xué)訓(xùn)練營，該文章基于他們最后的畢業(yè)設(shè)計。

該畢業(yè)設(shè)計的目的是：確定出能在Yelp中取得高評分的關(guān)鍵屬性和特征。結(jié)合數(shù)據(jù)可視化和機(jī)器學(xué)習(xí)算法，我們識別出高商業(yè)評分的影響屬性和特征。我們也利用自然語言處理從用戶評價中提煉出有價值的信息。喜歡奇思妙想的我們五個人，利用R Shiny 構(gòu)建應(yīng)用程序來幫助業(yè)主們通過以下三種方式進(jìn)入該市場：

1.地圖：針對經(jīng)營成功的餐廳進(jìn)行地理位置分析

2.主題模型：針對不同類別的餐廳進(jìn)行差評分析

3.美食廊：對好評如潮的菜系種類進(jìn)行分析

簡介

康奈爾大學(xué)的研究表明，27%新餐廳會在第一年倒閉，而將近有60%的餐廳會在三年內(nèi)倒閉。無法經(jīng)營成功的一個關(guān)鍵性阻礙是Yelp曝光率不足。經(jīng)營良好的餐廳，顧客會定期光臨，會有較高評分和點評數(shù)量，這樣會提高餐廳在搜索排名中的位置，為任何倒霉事保留緩沖空間。

Yelp中的餐廳排名是被全球公認(rèn)的，它是利用大眾經(jīng)驗和點評的最好例子之一。我們想要尋求的答案是——影響餐廳經(jīng)營成功的關(guān)鍵特征是什么?我們相信從Yelp提供的與評分相關(guān)的官方數(shù)據(jù)中，一定能找出可識別的重要特征。

這些關(guān)鍵特征可以是商家經(jīng)營的固有屬性，例如開業(yè)時間，環(huán)境吵鬧程度，也可以是客戶的主觀因素。通過數(shù)據(jù)可視化和預(yù)測模型，我們探索出在Yelp中取得高分的關(guān)鍵特征。我們通過基于隱狄利克雷分布(Latent Dirichlet Allocation)的主題模型算法處理客戶評價內(nèi)容。我們的最終作品，匯總了我們的各種發(fā)現(xiàn)，以R Shiny應(yīng)用——YelpQuest的形式進(jìn)行呈現(xiàn)。

數(shù)據(jù)處理

我們應(yīng)用的數(shù)據(jù)源來自于Yelp 2016 Dataset Challenge，它提供的數(shù)據(jù)表有：業(yè)務(wù)表(businesss)，評價表(reviews)，小貼士表(tips，更簡短的評價)，用戶信息表(user information)和簽到表(check-ins)。其中業(yè)務(wù)表(business table)中列出了餐廳的名稱，地理位置，營業(yè)時間，菜系類別，平均星級評分，評價數(shù)量和其他與經(jīng)營相關(guān)的一系列因素，如：吵鬧程度，預(yù)訂政策。評價表(review table)中列出餐廳星級評分，評價內(nèi)容，評價時間，和該評價獲得的支持率。我們限制采樣數(shù)據(jù)集的范圍在美國鳳凰城(Phoenix)的大都市區(qū)域，然后通過類別過濾業(yè)務(wù)表(business)數(shù)據(jù)，僅保留餐廳和評價數(shù)據(jù)。從餐廳中獲取到的評價文本會構(gòu)成該項目的語料庫。

挑戰(zhàn)

1. 關(guān)于預(yù)測，雖然只有9427家餐廳為樣本，但特征的數(shù)量是十分龐大的。我們擁有的數(shù)據(jù)不足以充分支持結(jié)論。特征簡化或者選擇一個相對復(fù)雜的模型是有必要的。
2. 對于不同菜系的餐廳，好評/差評 的標(biāo)準(zhǔn)是不同的。僅通過評價星級無法完全捕捉客戶的觀點。例如，快餐店的評分一般都很低;因此，4星評分的快餐店比4星評分的意大利餐廳更出色。

業(yè)務(wù)表(Business Table)

1. 從業(yè)務(wù)表文件中查找出餐廳
2. 創(chuàng)建只包括餐廳(restaurants)的業(yè)務(wù)子表文件
3. 創(chuàng)建包括評價，簽到、小貼士的子表文件
4. 從評價，簽到和小貼士子文件中進(jìn)行數(shù)據(jù)總結(jié)(例如：每個餐廳的簽到/小貼士/評價總數(shù)量)，并創(chuàng)建包括業(yè)務(wù)ID和求和字段的概況數(shù)據(jù)文件，該文件可以追加到餐廳(restaurants)文件中
5. 合并概況數(shù)據(jù)到業(yè)務(wù)餐廳(restaurants)數(shù)據(jù)中，并形成最終的模型數(shù)據(jù)集

評價表(Reviews Table)

1. 根據(jù)餐廳分類得到平均分，判斷各餐廳是高于還是低于平均分(例如，在分類平均值中，泰式：4.5星，快餐店：3.5星)
2. 基于餐廳類別平均分，創(chuàng)建好評的數(shù)據(jù)子集
3. 基于餐廳類別平均分，創(chuàng)建差評的數(shù)據(jù)子集
4. 連接從步驟2到步驟3得到的兩個子集
5. 從步驟4創(chuàng)建頂級菜肴的評價子集，對好評和差評的數(shù)據(jù)集根據(jù)評價進(jìn)行主題建模。

探索性數(shù)據(jù)分析

通過探索性分析，我們首先想要檢測自己那些先入為主的觀點。當(dāng)我們想到5星餐廳時，我們不會想到是快餐店或者披薩店。我們想到的是富麗堂皇的歐洲菜，如意大利菜或法國菜。通過菜系進(jìn)行分類計算評分平均值，我們得到了以下的信息圖表，例如：泰式或希臘菜系會有很高的評分，而自助餐，快餐和雞翅店會有較低的評分。這些數(shù)據(jù)似乎能支持我們的假設(shè)：餐廳的評分跟特定的菜系類別有關(guān)。

與此同時，當(dāng)我們想象5星評分的餐廳時，一般不會想到路邊的便宜小餐廳。為檢測人均消費對餐廳評分的影響，我們繪制了以下Mosaic圖。你看到的是關(guān)于價格范圍和評分水平的卡方檢驗(它給出了一個很顯著的P值 2.2e-16)。

Mosaic圖使用顏色作為比較各價格范圍和星級評分組合下，觀測值與期待值的差別(譯注：如圖所示，橫向為星級評分，分為9組，縱向為價格范圍，分為4組。如果價格范圍對星級評分沒有影響，則各價格段的星級評分頻率分布是均一的(即期待值)，應(yīng)顯示為白色，而本例中多處顯示為紅色或藍(lán)色，表示價格范圍對星級評分有影響)。藍(lán)顏色表示，相對于預(yù)期結(jié)果，實際上有更多的觀測值，而紅色卻有更少的觀測值。在本案例中，我們可以觀察到，價格和星級評分不是完全獨立的，該結(jié)果可通過χ2檢測得到證實。

預(yù)測模型

為從數(shù)據(jù)中確定出關(guān)鍵的影響特征，我們決定使用基于樹的模型。相對于觀察到的大量屬性和特征，我們的數(shù)據(jù)表顯得很稀疏?；跇涞哪Ｐ涂梢越鉀Q稀疏性問題，特別是XGBoost更為出色。我們選擇了三種不同的模型：隨機(jī)森林，XgBoost和梯度增強(qiáng)樹。下圖展示了基于XGBoost的結(jié)果，因為它具有更高的穩(wěn)定性。

首先我們將所有的有效屬性作為預(yù)測因子進(jìn)行建模，擬合到了一個R square =0.936的模型。根據(jù)特征重要性的圖示我們可以得出一個很強(qiáng)的影響因子——用戶平均評價星級。然而，該信息并不是什么遠(yuǎn)見卓識;總體的商業(yè)評分是所有用戶評分的平均值，因此顯而易見該因素在圖表中會很顯著。我們決定移除所有跟評價相關(guān)的因素后，再重新運(yùn)行XGBoost：

第二次運(yùn)行時，R square 明顯地下降到0.318，去除評價相關(guān)的因素后，我們無法很好的進(jìn)行評分預(yù)測。這次試驗中，地理位置，用餐人數(shù)，人均消費是重要的預(yù)測因子。

主題建模

預(yù)處理

建立任何模型之前，我們都需要預(yù)處理點評文本：

1. 刪除常用的停用詞，例如“在”，“和”，“但是”等等。。。
2. 刪除標(biāo)點，規(guī)避非字符號
3. 刪除數(shù)字
4. 刪除無法寫出的符號
5. 去除空白符號
6. 將文本轉(zhuǎn)換為小寫字母
7. 把文本分詞為二元詞和三元詞(n-gram語言模型中的bigrams和trigrams)

由于一些詞匯與其他詞匯連用時會改變其原有的意思，我們決定將點評文本分詞為二元詞組和三元詞組(2或3字的組合) 。例如，如果將 “不好” 分成 “不” 和 “好” 兩個單詞，那么分析過程就會出錯。

LDA(主題模型)和數(shù)據(jù)可視化

為了理解點評數(shù)據(jù)中的關(guān)鍵主題，我們使用LDA主題建模算法來提取每個類別和每個評級中的20項關(guān)鍵主題。我們使用R語言擴(kuò)展包 “LDAvis” 來進(jìn)行交互式主題模型的可視化， 并且回答了這些問題：

1.每項關(guān)鍵主題都是什么意思?

2.這些關(guān)鍵主題普遍性怎么樣?

3.這些關(guān)鍵主題是如何相互關(guān)聯(lián)?

上圖右側(cè)結(jié)果是LDAvis對第一個問題的回答。在這張條形圖中，y軸是詞條，x軸是出現(xiàn)次數(shù)，你可以看出點評內(nèi)容中特定詞條在各主題內(nèi)的出現(xiàn)次數(shù)。我們采用一種特殊的度量標(biāo)準(zhǔn) -- 顯著性(saliency) -- 來確定一項主題中最重要的詞條。顯著性就是詞條在單個主題中出現(xiàn)頻率相對其在整個點評文本中出現(xiàn)頻率的比例。排列越靠前的詞條也就越獨特，相對于這項主題也就更重要。

上圖左側(cè)LDAvis的結(jié)果圖叫做主題間距模型。它為主題模型提供全局視圖，并且回答了后兩個問題 -- 每個主題圓的直徑代表每項主題的普遍性;詹森 - 香農(nóng)離散度計算出主題間的相互距離，(詹森 - 香農(nóng)離散度是測算兩個概率分布間相似性的流行方法)，然后再按比例調(diào)整每兩個主題的間距。要點在于，兩個氣泡越是靠近彼此，它們就越相似。一圖勝千言，因此我們將它納入了我們的應(yīng)用程序。

應(yīng)用程序

我們的最終產(chǎn)品為R Shiny應(yīng)用程序，包含以下幾項功能：

1. 地圖：餐廳成功的地理位置分析
2. 主題建模：理解指定類別市場中的差評
3. 料理畫廊：理解好評中頻繁出現(xiàn)的料理主題

我們的主要用戶將是想要開餐廳或擴(kuò)展餐廳的小企業(yè)主。

通過地圖，用戶可以找出開餐廳最好的地方，或是鳥瞰餐廳間的競爭狀況。亞利桑那州的一張互動地圖顯示出了這些餐廳，它們被分為某類餐廳中 “高于同類平均水平” 和 “低于同類平均水平” 兩組。用戶通過點擊地圖上的標(biāo)記就能獲得有關(guān)餐館的具體信息。現(xiàn)在假設(shè)用戶希望開一家意大利餐廳：

標(biāo)識出地圖上的大型片區(qū)

在地圖上，人們普遍喜歡意大利食品的最大片區(qū)就很可能是開餐廳的好地點。

還有就是主題模型功能。

以前如果想要了解其他餐館的負(fù)面點評，唯一方法就是閱讀每一頁點評。而主題模型是迅速匯總信息的最快方式。用戶可以快速探索不同的主題氣泡，并基于點評中詞條的出現(xiàn)頻率找出問題。例如，如果時間是一個很重要的問題，那么用戶在開餐廳時就可以利用這一點。

最后是菜單畫廊功能。

畫廊可以顯示出最受好評的食物。用戶可以通過了解最流行的詞條來建立自己餐廳的菜單。

通過使用預(yù)測模型和探索式數(shù)據(jù)分析(EDA)，我們確定了要納入應(yīng)用程序YelpQuest中作為預(yù)測因子和過濾器的關(guān)鍵特征。而基于差評和好評的主題模型使我們的產(chǎn)品有望幫助未來小企業(yè)主們的成長和成功。

【本文是51CTO專欄機(jī)構(gòu)大數(shù)據(jù)文摘的原創(chuàng)譯文，微信公眾號“大數(shù)據(jù)文摘（ id: BigDataDigest）”】