[论文解读] High Enough? Explaining and Predicting Traveler Satisfaction Using Airline Review

Emanuel Lacić, Dominik Kowald+1 more|arXiv (Cornell University)|Apr 4, 2016

Consumer Market Behavior and Pricing参考文献 14被引用 5

一句话总结

本研究分析了来自Skytrax的航空旅客评论，通过评分特征和自由文本评论的情感分析，解释并预测旅客满意度。结果表明，评论文本的情感以及关键服务属性（如休息室舒适度和座椅腿部空间）能够以高精度预测满意度，且增量学习模型（如Hoeffding树）可实现低延迟的实时预测。

ABSTRACT

Air travel is one of the most frequently used means of transportation in our every-day life. Thus, it is not surprising that an increasing number of travelers share their experiences with airlines and airports in form of online reviews on the Web. In this work, we thrive to explain and uncover the features of airline reviews that contribute most to traveler satisfaction. To that end, we examine reviews crawled from the Skytrax air travel review portal. Skytrax provides four review categories to review airports, lounges, airlines and seats. Each review category consists of several five-star ratings as well as free-text review content. In this paper, we conducted a comprehensive feature study and we find that not only five-star rating information such as airport queuing time and lounge comfort highly correlate with traveler satisfaction but also textual features in the form of the inferred review text sentiment. Based on our findings, we created classifiers to predict traveler satisfaction using the best performing rating features. Our results reveal that given our methodology, traveler satisfaction can be predicted with high accuracy. Additionally, we find that training a model on the sentiment of the review text provides a competitive alternative when no five star rating information is available. We believe that our work is of interest for researchers in the area of modeling and predicting user satisfaction based on available review data on the Web.

研究动机与目标

• 识别对航空旅客评论中旅客满意度最具指示性的特征——包括评分类特征和文本类特征。
• 探究从自由文本评论中提取的情感是否能有效预测整体旅客满意度。
• 开发并评估基于可用评论数据预测满意度的机器学习模型，尤其在评分数据缺失的情况下。
• 通过采用适合流式评论数据的增量学习算法，实现实时满意度预测。
• 探索主题建模在现有评分体系中引入用户驱动新特征的潜力。

提出的方法

• 从Skytrax门户收集并分析了超过160,400条航空旅客评论，涵盖四大类别：机场、休息室、航空公司和座椅。
• 提取五星级评分特征（如排队时间、客舱服务人员质量、腿部空间）并计算其与整体满意度及“推荐”二元信号的相关性。
• 对自由文本评论应用自动情感分析，推断情感极性作为文本特征。
• 对评论文本进行聚类和主题建模，识别出反复出现的讨论主题（如移民、行李处理）。
• 使用评分特征和情感得分作为输入，训练二元分类器（主要为Hoeffding树），以预测“您会推荐吗？”信号。
• 通过F1-score和AUC评估模型性能，比较单一特征、特征组合以及仅情感模型的表现。

实验结果

研究问题

• RQ1 航空旅客评论中的哪些评分特征和文本特征最能指示旅客满意度？
• RQ2 当评分数据不可用时，仅使用评论文本情感能否有效预测旅客满意度？
• RQ3 结合多个评分特征在预测满意度方面能带来多大的性能提升？
• RQ4 增量学习模型（如Hoeffding树）是否能支持低延迟的实时满意度预测？

主要发现

• 休息室舒适度、机场排队时间、航空公司客舱服务人员质量以及座椅腿部空间与整体旅客满意度的相关性最高。
• 评论情感是具有竞争力的预测因子，在航空旅客评论中F1-score达到0.839，甚至超过整体五星级评分。
• 结合表现最佳的评分特征可实现最高预测性能，休息室和航空旅客评论的AUC值均超过0.92。
• Hoeffding树分类器的最大训练运行时间仅为0.06秒，支持高效实时更新，无需完整重训。
• 仅基于情感训练的模型优于随机猜测，在评分数据缺失时提供了可行的替代方案。
• 主题建模揭示了如移民和行李处理等反复出现的主题，表明存在通过新增用户驱动特征扩展现有评分体系的潜力。