[论文解读] Identifying Restaurant Features via Sentiment Analysis on Yelp Reviews

Boya Yu, Jiaxu Zhou+2 more|arXiv (Cornell University)|Sep 20, 2017

Sentiment Analysis and Opinion Mining参考文献 8被引用 31

一句话总结

本文提出一种基于支持向量机（SVM）的方法，利用Yelp评论识别针对特定餐厅特征（如食物、服务、氛围）的情感。通过分析词频并生成极性分数，该模型揭示了细微的情感趋势——例如对服务的强烈情感，以及意大利菜与披萨、法国菜与高价相关的菜系特定模式——提供了超越整体评分的细致洞察。

ABSTRACT

Many people use Yelp to find a good restaurant. Nonetheless, with only an overall rating for each restaurant, Yelp offers not enough information for independently judging its various aspects such as environment, service or flavor. In this paper, we introduced a machine learning based method to characterize such aspects for particular types of restaurants. The main approach used in this paper is to use a support vector machine (SVM) model to decipher the sentiment tendency of each review from word frequency. Word scores generated from the SVM models are further processed into a polarity index indicating the significance of each word for special types of restaurant. Customers overall tend to express more sentiment regarding service. As for the distinction between different cuisines, results that match the common sense are obtained: Japanese cuisines are usually fresh, some French cuisines are overpriced while Italian Restaurants are often famous for their pizzas.

研究动机与目标

• 为解决Yelp整体评分的局限性，提取针对食物、服务和氛围等特定餐厅属性的情感。
• 开发一种机器学习方法，识别并量化针对不同餐厅特征的情感，超越综合得分。
• 验证情感模式是否与常见烹饪认知一致，例如日本菜与新鲜感相关，法国菜与高价相关。
• 基于单词对特定餐厅类型的情感贡献，生成单词的极性指数，以实现特征层面的情感分析。

提出的方法

• 使用Yelp评论训练支持向量机（SVM）模型，基于词频模式对情感进行分类。
• 汇总SVM得到的词得分，计算极性指数，表示每个词对特定餐厅类型的情感显著性。
• 该方法专注于区分不同菜系中食物质量、服务和价格等离散方面的情感。
• 训练数据源自标注评论，情感倾向通过词对SVM决策边界的贡献推断得出。
• 该方法利用监督学习，将词汇特征映射到目标餐厅属性的情感极性。

实验结果

研究问题

• RQ1 如何从非结构化的Yelp评论中自动识别针对特定餐厅特征（如食物、服务、氛围）的情感？
• RQ2 餐厅特征的情感模式在多大程度上与常见烹饪预期一致（例如，意大利菜=披萨，法国菜=昂贵）？
• RQ3 哪些餐厅方面最能引发用户的情感表达，且这种情感表达如何随菜系而变化？
• RQ4 基于SVM词得分生成的极性指数能否有效表示不同餐厅类型中特定特征的情感显著性？

主要发现

• 顾客对服务的情感表达显著多于其他餐厅方面。
• 该模型成功识别出菜系特定的情感模式，例如日本菜与新鲜感相关，法国菜与高价相关。
• 意大利餐厅始终与披萨的积极情感相关联，与普遍认知一致。
• 基于SVM的极性指数有效捕捉了词级情感贡献，实现了对餐厅特征的细粒度分析。