| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-19页 |
| 1.1 研究背景和意义 | 第9-12页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 问题提出 | 第10-11页 |
| 1.1.3 研究意义 | 第11-12页 |
| 1.2 国内外研究综述 | 第12-16页 |
| 1.2.1 国外研究综述 | 第12-14页 |
| 1.2.2 国内研究综述 | 第14-16页 |
| 1.3 研究方法、框架结构和创新点 | 第16-19页 |
| 1.3.1 研究方法 | 第16页 |
| 1.3.2 框架结构 | 第16-17页 |
| 1.3.3 研究的重难点及创新点 | 第17-19页 |
| 2 酒店评论有用性影响因素模型与假设 | 第19-26页 |
| 2.1 基本理论 | 第19-23页 |
| 2.1.1 双重加工理论 | 第19-20页 |
| 2.1.2 信息诊断性理论 | 第20-21页 |
| 2.1.3 感知风险理论 | 第21页 |
| 2.1.4 理论框架 | 第21-23页 |
| 2.2 研究假设 | 第23-26页 |
| 2.2.1 内容相似度 | 第23-24页 |
| 2.2.2 评分差异 | 第24-26页 |
| 3 文本分析方法 | 第26-34页 |
| 3.1 文本相似度计算模型 | 第26-27页 |
| 3.2 传统的文本表示 | 第27-28页 |
| 3.3 Word2Vec获取词向量相关理论技术 | 第28-30页 |
| 3.4 Doc2Vec提取文档向量相关理论及技术 | 第30-34页 |
| 4 数据及变量设计 | 第34-46页 |
| 4.1 数据获取及预处理 | 第34-36页 |
| 4.2 基于Doc2Vec向量表示模型的余弦相似度计算 | 第36-40页 |
| 4.2.1 文本预处理 | 第36页 |
| 4.2.2 Doc2Vec模型获得评论文本向量 | 第36-40页 |
| 4.2.3 文本相似度算法 | 第40页 |
| 4.3 研究变量 | 第40-41页 |
| 4.3.1 因变量 | 第41页 |
| 4.3.2 关键自变量 | 第41页 |
| 4.4 控制变量 | 第41-43页 |
| 4.4.1 评论者级别的控制变量 | 第42页 |
| 4.4.2 评论级别的控制变量 | 第42-43页 |
| 4.4.3 酒店级别的控制变量 | 第43页 |
| 4.5 回归模型设计 | 第43-46页 |
| 5 实验结果与分析 | 第46-55页 |
| 5.1 描述性统计分析 | 第46-47页 |
| 5.2 变量相关性分析 | 第47-48页 |
| 5.3 负二项回归结果分析 | 第48-50页 |
| 5.4 稳健性检验 | 第50-55页 |
| 6 总结与展望 | 第55-57页 |
| 6.1 主要结论 | 第55-56页 |
| 6.2 局限与展望 | 第56-57页 |
| 参考文献 | 第57-64页 |
| 致谢 | 第64-65页 |
| 攻读硕士期间发表的论文 | 第65-66页 |