[论文解读] Analysis of Schema.org Usage in the Tourism Domain

Boran Taylan Balcı, Umutcan Şimşek+2 more|arXiv (Cornell University)|Feb 16, 2018

Digital Marketing and Social Media参考文献 7被引用 4

一句话总结

本研究利用 Web Data Commons 数据集，从 2013 年至 2016 年分析了旅游领域对 schema.org 的采用情况，采用 SPARQL 查询、实体对齐和逆向地理编码技术评估使用模式。主要发现显示全球采用率持续上升，尤其在北美以外地区；标注质量随时间改善；2016 年酒店扩展功能早期被采纳，但地理位置和地址属性的使用仍不充分，尤其在酒店类型之外。

ABSTRACT

Schema.org is an initiative founded in 2011 by the four-big search engine Bing, Google, Yahoo!, and Yandex. The goal of the initiative is to publish and maintain the schema.org vocabulary, in order to facilitate the publication of structured data on the web which can enable the implementation of automated agents like intelligent personal assistants and chatbots. In this paper, the usage of schema.org in tourism domain between years 2013 and 2016 is analysed. The analysis shows the adoption of schema.org, which indicates how well the tourism sector is prepared for the web that targets automated agents. The results have shown that the adoption of schema.org type and properties is grown over the years. While the US is dominating the annotation numbers, a drastic drop is observed for the proportion of the US in 2016. Poorly rated businesses are encountered more in 2016 results in comparison to previous years.

研究动机与目标

• 评估 2013 年至 2016 年间旅游领域对 schema.org 的采用演变情况。
• 评估结构化数据标注的质量与完整性，特别是地理位置和地址属性的使用情况。
• 考察 2016 年酒店扩展功能的采纳情况，包括新类型如露营地（Campground）和客房（HotelRoom）。
• 识别聚合评分以及标注旅游实体在顶级域名（PLD）层面的分布趋势。
• 通过实体对齐和逆向地理编码，提升国家层面分析的准确性，实现更精确的地理位置推断。

提出的方法

• 数据从涵盖 2013–2016 年的 Web Data Commons（WDC）数据集中提取，重点关注 12 种与旅游相关的 schema.org 类型。
• 在三元组存储中执行 SPARQL 查询，聚合各类型、属性、评分和 PLD 的计数。
• 使用 OpenRefine 的 kNN 算法结合 Levenshtein 距离进行实体对齐，以标准化多语言国家名称。
• 通过逆向地理编码将坐标映射为国家名称，提升国家层面分析的准确性。
• 计算均方误差（MSE）以评估随时间推移的标注质量。
• 对 2016 年数据的一个子集（8 月至 10 月）进行分析，以评估 2016 年 8 月推出的酒店扩展功能的早期采纳情况。

实验结果

研究问题

• RQ1 2013 年至 2016 年间，schema.org 在旅游领域的采用情况如何演变？
• RQ2 地理位置和地址属性在各类旅游类型中，尤其是非酒店类型中的使用程度如何，特别是在酒店类型之外？
• RQ3 2016 年酒店扩展功能在新类型（如露营地和客房）中的采纳情况如何分布？
• RQ4 2015 年至 2016 年间，聚合评分（尤其是低分）存在何种趋势？
• RQ5 标注旅游实体的地理分布发生了怎样的变化，特别是美国主导地位是否有所减弱？

主要发现

• 基于美国的旅游标注比例从 2013–2014 年的 79% 显著下降至 2016 年的 28.4%，表明全球采用率持续上升。
• 标注质量随时间改善，表现为多数旅游类型均方误差（MSE）值持续下降。
• 仅 70% 的非酒店旅游类型具备可用于国家推断的有效地址或地理位置数据，而酒店类型则超过 90%。
• 2016 年 8 月推出的酒店扩展功能在发布初期即获采纳：在前三个月内，共标注了 716 个露营地（Campground）、117 个客房（HotelRoom）和 3,339 个房间（Room）实例。
• hasAmenity 属性在房间类型中被使用了 17,000 次，表明该扩展功能在设施建模方面获得广泛采纳。
• 2015 年至 2016 年间，低分（1–2.5/5）数量显著增加，支持了先前关于消费者对负面评分敏感性的发现。