【读论文】民族美食高级餐饮体验的维度：语义网络分析的应用

本研究旨在探究香港高级民族美食餐厅在线评价中所蕴含的体验维度。研究采用语义网络分析结合克劳斯 - 纽曼 - 穆尔聚类法（Clauset--Newman--Moore clustering），最终挖掘出多元化且具体的体验维度，包括氛围（ambiance）、服务（service）、食物（food）、饮品（drinks）、甜点（desserts）、景观（view）、位置（location）、用餐场合（occasions）、口碑（reputation）及价格（price）。五种不同类型民族餐厅的评价内容在部分维度上存在差异。高级民族美食餐厅的营销人员可在推广宣传、菜单规划及员工培训时选取特定侧重点。研究表明，传统餐厅的质量维度可能无法准确反映实际体验维度，因此为制定新的餐厅质量评价指标提供了启示。

1. 引言

社交媒体的日益普及与用户生成内容（customer-generated content）的激增，极大地影响了酒店餐饮业。它们已成为消费者和营销人员收集产品与服务反馈的重要信息来源。因此，明确消费者分享电子口碑（eWOM）的根本动机及传递的核心信息至关重要。尽管电子口碑具有匿名性，但相较于营销人员生成的信息，它对消费者而言可信度更高、相关性更强（Clare、Wright、Sandiford 和 Caceres，2018；Erkan 和 Evans，2018；Viglia、Minazzi 和 Buhalis，2016）。通过大数据分析，原始数据可用于描述消费者体验，有助于从海量数据中挖掘潜在信息（Önder，2017；Zhang、Zhang 和 Yang，2016）。餐厅评价数据同样能够阐释食客的饮食消费体验。饮食消费体验是满足感官、文化、社交及认知动机的关键行为（Correia、Kim 和 Kozak，2020）。以往研究已确定，这种饮食消费体验具有三维结构，包括食物、物理环境和服务（Han 和 Hyun，2017；Ryu、Lee 和 Kim，2012；Susskind 和 Chan，2000）。

物理环境指氛围、格调、空间布局及景观（Heung 和 Gu，2012）。餐厅服务的多个方面也已被研究，包括服务质量（Li、Canziani 和 Barbieri，2016；Sweeney、Armstrong 和 Johnson，2016）、服务补救与顾客忠诚度（Yao、Wang、Yu 和 Guchait，2019；Yi 和 La，2004）以及食客情绪（Bowden 和 Dagger，2011）。饮食消费体验的这三个维度已得到广泛研究，其重要性也得到证实（Canny，2014；Susskind 和 Chan，2000）。

尽管已有诸多关于饮食消费体验的研究，但仍存在一些研究空白。首先，以往大多数餐厅体验研究采用问卷调查法，样本量不足 600 份（Jang、Ha 和 Park，2012；Kim、Choe 和 Lee，2016）。此外，由于数据采用横断面研究收集，仅能反映某一时间点的情况，无法全面评估消费者的偏好或体验。因此，利用在线评价数据的研究受到了学术界和产业界的关注（Li、Ye 和 Law，2013；Zhang 等，2016；Zhang、Ye、Law 和 Li，2010）。然而，在线评价数据在民族餐厅消费者体验研究中的应用仍较为有限。

其次，由于不同民族餐厅的饮食消费体验存在差异（Choe 和 Kim，2018；Kivela 和 Crotts，2006；Lai、Wang 和 Khoo-Lattimore，2020；Mak、Lumbers 和 Eves，2012），可通过文本分析技术，利用文本格式数据检测能够代表不同民族餐厅体验的关键词，进而探究民族餐厅体验的维度。但目前运用文本分析探究民族餐厅饮食消费体验的研究尚不多见。因此，本研究首次尝试采用语义网络分析（SNA），分析五种不同民族餐厅的消费者体验差异。

第三，语义网络分析能够通过识别数据的内部结构来理解人类的沟通渠道，因为它是少数能从文本中提取含义的方法之一（Doerfel，1998；Doerfel 和 Barnett，1999）。然而，语义网络分析在民族餐厅管理研究中尚未得到广泛应用。第四，大多数民族餐厅研究仅考察了消费者对某一种类型民族餐厅的反馈（Battour 和 Ismail，2016；Jang 等，2012）。但不同民族餐厅的消费体验可能存在差异（Jang、Liu 和 Namkung，2011）。因此，本研究试图利用在线评价数据进行文本分析，以识别这种差异性。

本研究聚焦于香港的高级民族美食餐厅。选择香港的主要原因是，这座城市因融合了亚洲和西方美食而成为著名的美食旅游目的地（Okumus、Xiang 和 Hutchinson，2018；Promsivapallop 和 Kannaovakun，2019）。本研究同样关注高级餐厅，因为与快餐或休闲餐厅等其他类型的餐厅相比，这类餐厅能提供更高质量和价值的体验（Ha 和 Jang，2012；Noone、Kimes、Mattila 和 Wirtz，2007）。选择日本菜、粤菜、法国菜、意大利菜和澳大利亚菜这五种民族餐厅，主要基于三个原因：市场竞争现状、有足够数量的在线评价可供分析（目标期间英文评价超过 1000 条），以及在特定民族美食方面的专业性 ------ 这代表了特定民族的文化特征和习俗（Kim 等，2016；Lai、Khoo-Lattimore 和 Wang，2018）。因此，由于民族餐厅的体验维度受全球体验品牌塑造、新产品开发和品牌延伸等因素影响（Lai 等，2018；Schmitt，1999），不同的文化解读可能会导致这些维度存在差异。

本研究的目标有四个方面：第一，考察并比较每种高级民族美食餐厅在线评价中的核心关键词；第二，识别在线评价中所描述的高级民族美食餐厅消费者饮食消费体验的潜在模式；第三，基于五种民族餐厅类型，分析研究结果的差异；第四，探究本研究与以往研究在饮食消费体验维度上的共性与差异。

2. 文献综述

民族餐厅的消费者体验以民族美食、物理环境和服务三个维度为特征，这些维度共同决定了消费者的情绪。然而，根据 Schmitt（1999）的观点，体验（如感官体验、情感体验、认知体验、行为体验和关联体验）可以通过多种价值来阐释。由于这些体验需要通过整体消费和体验价值的界面进行考察，因此需要采用综合方法来分析体验要素。此外，民族饮食消费体验较为复杂，因为它涉及品牌塑造、联合品牌、全球化、组织文化以及新产品或技术采用等多个方面（Schmitt，1999）。

然而，为了更清晰地反映民族餐厅消费者体验的多维结构，体验维度也必须进行系统分类。以往研究将食物、物理环境和服务视为餐厅体验的三个核心维度，超越了餐厅体验的其他重要方面（Canny，2014；Han 和 Hyun，2017；Susskind 和 Chan，2000）。这些维度与 Schmitt（1999）的战略体验模块相关，包括感官、情感、思考、关联和行动。例如，民族美食、物理环境和服务能够激发感官体验、情感体验和创造性体验，并再现物理体验，进而影响对体验和生活方式的评价。为确保与以往研究维度的一致性，本研究将三维结构（即民族美食、物理环境和服务）作为高级民族传统餐厅的体验维度。详细的文献综述如下：

2.1 民族美食

民族美食属性指的是饮食体验的特征或特点（Kim 等，2016）。以往研究提出了民族美食的多个具体属性，如口味、风味、服务、口碑、价格、食谱、卫生、环境、营养、种类、新鲜度、颜色和摆盘（Guan，2012；Kim、Badu-Baiden、Oh 和 Kim，2020；Verbeke 和 López，2005）。关于民族美食属性的研究还将食品质量、食物摆盘、菜品数量、性价比、菜品种类、餐饮服务标准、服务速度和环境吸引力视为食物属性（Mors、Polet、Vingerhoeds、Perez-Cueto 和 de Wijk，2018；Nield、Kozak 和 LeGrys，2000；Steptoe、Pollard 和 Wardle，1995）。

食客的民族体验包含多种益处，包括认知益处、享乐益处、社交益处和情感益处（Choe 和 Kim，2018；Finch，2006；Kim、Badu-Baiden 等，2020；Rozin 和 Vollmecke，1986）。民族饮食消费体验的维度结构还与文化、意义、知识获取、享乐主义和负面体验相关。研究表明，认知益处对消费者对所提供设施或服务的消费价值具有积极影响（Ellis、Park、Kim 和 Yeoman，2018；Kim 等，2016）。从文化角度来看，当地美食的消费有助于游客了解所访问目的地的文化多样性（Lee 等，2011）。对于游客而言，民族饮食消费体验还能让他们在海外旅行中通过学习获得探索的乐趣（Choe 和 Kim，2019）。

民族饮食消费体验被视为带来幸福感和享乐主义等最高价值的基本因素（Choe 和 Kim，2018；Kivela 和 Crotts，2006；Sulek 和 Hensley，2004）。特别是，新奇的饮食消费会产生特定的情绪反应，包括愉悦感、感官刺激和满足感（Mak 等，2012）。这些新奇的食物代表了在异国他乡消费当地食物所带来的独特性（Tsai，2016）。同样，一些研究发现，民族美食消费者通过增进感情、友谊和家庭幸福感，获得有意义的用餐体验（Kim 和 Eves，2012；Tsai，2016）。饮食消费的情感益处还能带来幸福感和满意度等重要价值（Barrena、García 和 Sánchez，2015；Barrena 和 Sánchez，2013）。

不同类型民族餐厅的饮食消费体验存在差异，因为每家民族餐厅都能为食客提供多种益处、不同类型的食物和文化（Liu、Li、DiPietro 和 Levitt，2018）。民族餐厅的异国饮食消费体验基于文化差异。与消费者自身文化不同的食材和食谱能够在民族饮食消费体验中带来满足感和积极情绪。一些研究（如 Horng、Chou、Liu 和 Tsai，2013；Hwang、Kim、Choe 和 Chung，2018；Lai 等，2018；Mak 等，2012）表明，某一民族文化的正面形象也会对食客的满意度产生积极影响。然而，即使文化差异使民族餐厅具有独特性，食物的本土化也可能是其成功的关键因素之一。

2.2 物理环境

物理环境被视为构成民族餐厅体验的另一个重要维度。根据不同的研究背景，物理环境有不同的表达和分类方式，如氛围、格调、空间布局或室内设计。Heung 和 Gu（2012）将餐厅氛围分为空间布局与员工、环境氛围、设施美学和窗外景观。一些研究根据文献确定了民族餐厅的物理环境要素，包括设施美学、氛围、照明、布局、餐桌布置和服务人员（Horng 等，2013；Kim 等，2016）。

物理环境之所以受到重视，是因为它会影响消费者对民族餐厅体验的感知和行为（Kim、Oh、Choe 和 Choi，待发表），甚至会影响主题餐厅的食客（Cheng、Shih 和 Wu，2016）。酒店餐饮业中的物理环境之所以被强调，是因为其产出具有无形性特征；因此，舒适的物理环境被视为服务质量合格的标志（Horng 等，2013；Kim 等，2016）。尽管食物和饮品是餐厅的核心产品，但改善物理环境也同样重要，包括气味、室内设计、员工制服、音乐、照明和温度等方面（Lin 和 Mattila，2010）。

由于物理环境具有潜在的重要性，相关研究已开展了大量工作。Heung 和 Gu（2012）证实，餐厅氛围对用餐满意度和行为意向（如重访意向、口碑意向和支付意愿）具有积极影响。相关文献进一步扩展，探讨了餐厅物理环境对忠诚度、感知价值和满意度的影响（Heung 和 Gu，2012；Kim 和 Choe，2019）。在全方位服务餐厅中，装饰和陈设是影响顾客满意度的重要因素。特别是，装饰和陈设对价格感知有显著的直接影响，而空间布局和环境条件则间接影响顾客忠诚度（Chen、Peng 和 Hung，2015）。在主题餐厅（Cheng 等，2016；Clemes、Gan 和 Sriwongrat，2013；Heung，2002）或豪华餐厅（Chen 等，2015）中，物理环境的营造至关重要。尽管这些研究明确了物理环境的作用，但由于它们采用问卷调查法分析横断面数据，未能从整体视角审视大数据，因此对消费者体验质量动态的分析较为有限。

2.3 服务

自 SERVQUAL 研究问世以来，服务一直是餐厅体验文献中的重要主题（Bojanic 和 Drew，1994；Li 等，2016）。服务质量量表的开发结果表明，服务质量由五个维度构成：有形性、可靠性、响应性、保证性和移情性（Parasuraman、Zeithaml 和 Berry，1988）。以往研究发现，服务态度对食客的满意度有显著影响（Alhelalat、Ma'moun 和 Twaissi，2017；Kuo，2007）。服务态度可分为功能性方面和个性化方面。员工的功能性和个性化服务特征都会影响顾客满意度，但个性化特征对顾客满意度的解释力更强（Alhelalat 等，2017）。服务的专注度也会影响满意度和积极反馈（Lee，2015；Liu、Zhang 和 Keh，2019）。例如，在全方位服务餐厅中，当服务专注度较高时，美国顾客给予的小费金额也会较高（Lee，2015）。

感知价值是人们在比较所获得的益处和所支付的成本时的主观评价。如果某家餐厅相较于竞争对手能提供更高的感知价值，食客更有可能成为其常客。以往研究表明，优质服务是感知价值的重要预测因素，而感知价值的结果包括满意度和行为意向（Kim、Badu-Baiden 等，2020；Lai，2015；Rashid、Rani、Yusuf 和 Shaari，2015）。

3. 研究方法

3.1 分析流程

尽管已有多项研究提出了大数据处理的新范式（Jin、Wah、Cheng 和 Wang，2015），但本研究在当前阶段采用后实证主义范式。后实证主义对实证主义的世界观提出了批判，因为通过实证主义得出的研究结果缺乏对社会问题的深入理解，与背景脱节，且未能在提出的问题中融入主观性。在后实证主义视角下，现实可以通过研究者的主观评价来解读，研究目的是实现概括性。后实证主义通过语言、数学或图形形式呈现现实，并对个体差异进行概括和比较（Schulze，2003）。本研究的数据特征为文本型和非结构化数据，因此属于质性研究。Janasik、Honkela 和 Bruun（2009）解释说，研究的特征并非由数据收集方法决定，而是由数据类型和分析方法决定。由于本研究试图通过在线评价揭示餐厅体验的关键因素，其研究设计接近探索性研究。本研究必须利用此类数据，因为其研究目标是确定消费者隐含表达的餐厅体验的实际维度。在线评价比其他分析数据更可靠，因为在线评价者并不知道自己的评价会被他人分析，因此不会出现 "人为诱导偏差"（Scherer，2005，p.713）。

文本分析是一种通过自动化程序从文本格式数据中提取信息的技术（Halper、Kaufman 和 Kirsh，2013；Michalski，2014）。与对消费者评分的表面评估不同，文本分析有助于深入了解人们的真实感受（Halper 等，2013；Khan 和 Vorley，2017；Laxmi 和 Pranathi，2015）。为了分析文本形式的数据，必须将数据从非结构化形式转换为结构化形式（Han、Mankad、Gavirneni 和 Verma，2016）。文本分析为企业提供了一个很好的机会来妥善分析其市场。企业将文本分析应用于营销分析（客户关系营销、社交媒体、客户流失检测和市场分析）、业务分析（文档分类、人力资源和风险管理）或行业分析（欺诈检测和保修分析）（Halper 等，2013）。

本研究的香港高级餐厅在线评价数据来自猫途鹰网站（TripAdvisor.com），并使用自动化解析软件 Webharvy 进行数据收集。由于并非所有评价者都会透露其人口统计信息，因此本研究的目标群体为香港高级民族美食餐厅的评价者 / 食客。研究的主要变量包括评价撰写日期、评价文本和总体推荐评分。

高级餐厅指提供餐桌服务、拥有高档菜单、优雅氛围和训练有素员工的场所（Ha 和 Jang，2012）。本研究遵循猫途鹰网站高级餐厅板块的分类，但排除了餐饮服务等不相关店铺。根据餐厅官网和猫途鹰网站的信息，将研究中的餐厅归类为民族餐厅群体。本研究排除了提供融合菜的餐厅。为了控制翻译和时间带来的外部变量，本研究分析了 2014 年 1 月至 2018 年 6 月期间撰写的英文评价。共收集了 461 家高级餐厅的 60,440 条在线评价。对餐厅信息进行逐一评估，以筛选样本并判断其是否符合纳入标准。

表 1 显示，排除了位置不确定、业务重叠的餐厅、烹饪工作室和餐饮服务机构。同时，删除了没有英文评价的餐厅，最终得到 408 家餐厅的 43,757 条评价。在收集完 2014 年 1 月至 2018 年 6 月期间的评价后，再次进行筛选，样本量减少至香港 396 家高级餐厅的 34,288 条评价。根据竞争关系、在线评价数量（目标期间英文评价超过 1000 条）以及是否提供不同类型的民族美食，将提供日本菜、粤菜、法国菜、意大利菜和澳大利亚菜的高级餐厅的评价单独分离出来进行进一步分析。

本研究使用 NodeXL Pro 软件进行数据分析。删除了由数字或单个字母组成的顶点对。利用 NodeXL Pro 能够实现自动分词、删除包含数字、连字符和标点符号的术语、将字母转换为小写（Casamayor、Godoy 和 Campo，2010；Ravi 和 Ravi，2015）、停用词去除以及删除功能词（如 and、the、a/an 等）等无关词汇（Lucas 等，2015）。然而，本研究未进行词干提取（即去除单词的时态或单复数变化，还原为基本形式的过程）。为了描述数据信息，计算了评价数量、平均评分和平均每家餐厅的评价数量（见表 1）。样本包括香港 262 家高级餐厅，共 19,194 条英文在线评价，平均评分为 5.0 分制中的 4.3 分。

表 1 数据描述

餐厅类型	餐厅数量	英文评价数量	每家餐厅平均英文评价数量	平均评分	评分标准差
粤菜馆	75	7724	103	4.16	1.08
日本菜馆	100	3094	31	4.29	1.01
法国菜馆	51	4260	84	4.42	0.95
意大利菜馆	32	2981	93	4.26	1.02
澳大利亚菜馆	4	1135	284	4.13	1.02

3.2 语义网络分析（SNA）

语义网络分析指通过关联文本中紧密相邻出现的概念 来从文本中获取含义的方法（Choi 和 Lecy，2012）。语义网络分析关注文本中共享含义的成对关联，而非沟通对象之间的联系（Doerfel，1998；Doerfel 和 Barnett，1999）。本研究采用 Quillian（1962）提出并经 Collins 和 Loftus（1975）发展的扩散激活理论 来解释语义网络分析，该理论探讨人类的语义加工过程。该理论认为，记忆搜索是在语义网络中寻找交叉点的过程，可视为从代表概念的节点开始的激活扩散过程 （Collins 和 Loftus，1975）。在扩散激活理论中，概念、单词或短语可形成节点和链接。链接表示两个不同概念节点之间的关联方向。记忆搜索过程通过并行追踪节点来实现。

网络分析文献中讨论了三种基本的中心性指标，用于识别网络中节点的重要性：度中心性、中介中心性和接近中心性。语义网络中的中心性是衡量一个词在网络中接近中心位置的程度。

度中心性（DC）指一个词的直接关联数量，度越高，该词在网络中的影响力越大。

中介中心性（BC）指一个词在网络中位于其他多个词之间的程度，因此该词能够发挥 "守门人" 作用。

接近中心性（CC）关注一个词与网络中所有其他词的接近程度。

标准化度中心性（NDC）通过将度中心性除以网络中的顶点数量计算得出。

标准化中介中心性（NBC）的计算方法如下。

标准化接近中心性（NCC）可通过将接近中心性乘以网络中的顶点数量减 1 来衡量（Freeman，1977；Zhukov，2016），其中 "g" 为网络中的顶点对数量。

为总结研究方法，图 1 展示了研究流程。首先，从猫途鹰网站收集文本形式的数据；其次，根据民族餐厅类型对数据进行分类；第三，自动进行文本预处理；第四，进行语义网络分析和聚类，采用克劳斯 - 纽曼 - 穆尔聚类法；第五，对网络分析和聚类结果进行可视化，采用哈雷 - 科伦（HK）快速多尺度布局算法。哈雷 - 科伦算法是另一种常用的布局算法，采用两阶段方法：将图形置于高维空间，然后通过主成分分析在低维平面上可视化。该方法的优势在于生成的网络速度快、结构简洁且可读性强（Harel 和 Koren，2002）。图 1 为整体研究流程。

餐厅在线评价平台→文本收集→按民族餐厅类型分类文档→文本预处理→语义网络分析与克劳斯 - 纽曼 - 穆尔聚类→采用哈雷 - 科伦快速多尺度布局算法可视化结果

图 1 研究流程

4. 研究结果

4.1 网络中高中心性词汇

表 2 列出了五种民族餐厅类型网络中排名前 20 的高标准化度中心性词汇，以便进行比较。不同类型餐厅的共同词汇包括 "restaurant"（餐厅）、"food"（食物）、"very"（非常）、"service"（服务）、"good"（好）、"great"（很棒）和 "dinner"（晚餐）等。此外，还发现了一些关键差异。首先，在线评价者会分享五种高级民族餐厅的菜单菜品或食材，例如日本菜中的 "sushi"（寿司）、粤菜中的 "duck"（鸭）、法国菜中的 "wine"（葡萄酒）、意大利菜中的 "pastas"（意大利面）以及澳大利亚菜中的 "steaks"（牛排）。也就是说，菜单菜品或受欢迎的核心食材对评价者分享体验具有重要影响。其次，还观察到其他差异。日本餐厅排名前 20 的标准化度中心性词汇包括 "Japanese (decoration)"（日式（装修））、"time (slow service)"（时间（服务慢））、"experience"（体验）、"best"（最佳）、"here (visit experience)"（这里（就餐体验））和 "lunch"（午餐）。由于部分常用词的含义较为模糊，括号中对主要词汇进行了阐释。

粤菜馆排名前 20 的词汇包括 "Chinese (ambiance)"（中式（氛围））、"table (layout)"（餐桌（布局））、"ordered (volume of orders)"（点餐（点餐量））、"here (revisit intention)"（这里（重访意向））和 "staff (attentiveness)"（员工（专注度））。法国菜馆的词汇包括 "experience"（体验）、"well (overall quality)"（出色（整体质量））、"time (visit experience)"（时间（就餐体验））、"chef (well-known chef)"（厨师（知名厨师））和 "table (layout)"（餐桌（布局））。意大利菜馆的词汇包括 "table (layout)"（餐桌（布局））、"time (service timing)"（时间（服务时机））、"well (staff)"（出色（员工））、"staff (friendliness)"（员工（友好度））和 "view"（景观）。澳大利亚菜馆的词汇包括 "view"（景观）、"table (window seat)"（餐桌（靠窗座位））、"drinks"（饮品）、"bar"（酒吧）、"here (visit experience)"（这里（就餐体验））和 "up (service error: mix up, mess up)"（失误（服务失误：混淆、搞砸））。

表 2 排名前 20 的标准化度中心性词汇（续表见下页）

日本菜馆（g=6393）				粤菜馆（g=19294）
词汇	标准化度中心性	标准化中介中心性	标准化接近中心性	词汇	标准化度中心性	标准化中介中心性	标准化接近中心性
food	0.040	0.007	1.982	restaurant	0.031	0.003	3.241
very	0.037	0.008	1.950	food	0.029	0.002	3.280
restaurant	0.031	0.006	1.918	very	0.025	0.002	3.261
good	0.031	0.005	1.924	service (attentiveness)	0.022	0.001	3.183
sushi	0.024	0.004	1.854	good	0.022	0.001	3.222
great	0.023	0.003	1.860	dishes	0.017	0.001	3.087
service (slow but attentive)	0.023	0.002	1.815	one	0.015	0.001	3.087
one	0.020	0.003	1.803	great	0.014	0.001	3.068
Japanese (decoration)	0.020	0.003	1.790	place (revisit intention)	0.013	0.000	2.913
place (ambiance)	0.019	0.002	1.758	menu	0.013	0.001	2.933
time (slow service)	0.015	0.002	1.700	Chinese (ambiance)	0.012	0.001	2.952
menu	0.015	0.002	1.707	duck	0.011	0.001	2.952
dinner	0.014	0.001	1.739	dinner	0.011	0.000	2.913
(memorable) experience	0.013	0.001	1.726	more	0.011	0.000	2.894
more	0.013	0.001	1.656	table (layout)	0.010	0.001	2.836
really	0.012	0.001	1.707	dish	0.010	0.000	2.913
best	0.012	0.001	1.732	ordered (volume of orders)	0.010	0.000	2.990
dishes	0.012	0.001	1.694	really	0.010	0.000	2.913
lunch	0.012	0.001	1.707	staff (attentiveness)	0.010	0.000	2.836
here (visit experience)	0.011	0.001	1.675	here (revisit intention)	0.010	0.000	2.855

法国菜馆（g=10538）				意大利菜馆（g=6410）
词汇	标准化度中心性	标准化中介中心性	标准化接近中心性	词汇	标准化度中心性	标准化中介中心性	标准化接近中心性
food	0.037	0.005	2.255	food	0.040	0.007	1.878
restaurant	0.033	0.005	2.213	restaurant	0.037	0.007	1.865
very	0.033	0.006	2.223	very	0.037	0.009	1.884
good	0.024	0.003	2.171	good	0.031	0.006	1.839
service (efficiency)	0.023	0.002	2.118	service (speed of service)	0.026	0.003	1.743
menu (degustation menu)	0.022	0.003	2.128	great	0.025	0.003	1.795
one	0.018	0.002	2.086	one	0.020	0.003	1.724
great	0.017	0.001	2.086	Italian	0.018	0.003	1.711
place (suitable for various situation)	0.015	0.001	1.960	menu (limited choices, with wine)	0.015	0.002	1.673
experience	0.015	0.001	2.002	dinner	0.015	0.002	1.673
dinner	0.014	0.001	2.034	table (layout)	0.015	0.002	1.628
dishes	0.013	0.001	2.013	place	0.015	0.001	1.641
wine (wine pairing)	0.013	0.001	1.970	wine (pricey)	0.014	0.002	1.647
well (overall quality)	0.012	0.001	2.002	staff (friendliness)	0.013	0.001	1.641
time (visit experience)	0.012	0.001	1.928	time (service timing)	0.013	0.003	1.647
more	0.012	0.001	1.928	pasta	0.013	0.001	1.647
chef (well-known chef)	0.011	0.002	1.939	well (staff)	0.013	0.002	1.660
table (layout)	0.011	0.001	1.949	view	0.013	0.001	1.621
dish	0.011	0.002	1.960	lunch	0.012	0.002	1.634
really	0.011	0.001	2.013	really	0.012	0.001	1.647

表 2（续表）

澳大利亚菜馆（g=4168）
词汇	标准化度中心性	标准化中介中心性	标准化接近中心性
good	0.035	0.009	1.717
steak	0.033	0.009	1.658
restaurant	0.032	0.007	1.650
view	0.032	0.008	1.671
very	0.031	0.007	1.621
great	0.027	0.005	1.638
food	0.026	0.004	1.629
service (friendliness)	0.026	0.005	1.633
table (window seat)	0.021	0.005	1.546
one	0.020	0.005	1.563
place (location)	0.018	0.002	1.554
drinks	0.017	0.002	1.525
nice	0.017	0.002	1.567
dinner	0.015	0.002	1.538
bar	0.015	0.002	1.496
steaks	0.015	0.002	1.483
here (visit experience)	0.015	0.002	1.538
out	0.014	0.003	1.396
up (error: mix up, mess up)	0.014	0.003	1.404
go	0.014	0.002	1.538

注：g 为网络中的顶点对数量。

4.2 网络中的聚类

通过克劳斯 - 纽曼 - 穆尔聚类法，粤菜馆、日本菜馆、法国菜馆、意大利菜馆和澳大利亚菜馆分别生成了 110、81、126、108 和 78 个聚类。由于前五个聚类约占语义网络词汇数量的 93%-99%，本研究重点介绍每种民族美食餐厅的前五个最大聚类，并直接引用相关评价内容。语义网络显示，香港高级餐厅评价者的体验存在明显的聚类差异。通过克劳斯 - 纽曼 - 穆尔聚类法进行语义网络分析得到的聚类，根据显著词汇和包含这些词汇的句子进行命名。聚类名称用于构建民族饮食消费体验的理论维度。

a. 日本菜馆

日本高级餐厅在线评价的语义网络分析结果显示，聚类 1（多样菜单与优质食物）主要涉及菜品和食材，如寿司、生鱼片、牛肉或铁板烧，词汇频率占比 32.62%（见图 2）。例如："我们举办了一场大型商务晚宴，提供套餐菜单，食物种类丰富、美味可口，从寿司、鹅肝酱、龙虾意式馄饨到牛肉......""...... 我们点了一份午餐套餐 ------ 每一样都很完美：金枪鱼、握寿司、卷寿司、虾、春鸡，还有别忘了招牌菜：黑鳕鱼！如果你有机会品尝，就会明白它为什么这么受欢迎。"

聚类 2（景观优美的餐厅）阐述了拥有良好景观的餐厅口碑，词汇频率占比约 31.67%。"这家超高档餐厅位于香港一个繁忙的街区，坐落在一栋高楼里，能欣赏到令人惊叹的城市夜景......"

聚类 3（服务周到但价格偏高）占香港日本高级餐厅在线评价的 21.44%，以下是两个例子："作为一名独自用餐的食客，员工非常周到，竭尽全力让我拥有难忘的体验。服务员主动建议我点两份招牌主菜的半份（味增黑鳕鱼是其中之一），这样我就能品尝多种菜品......""这家餐厅最大的卖点无疑是景观，食物不错但价格有点偏高（幸运的是，有无限量畅饮的香槟作为补偿），服务非常好，特别要表扬客户关系经理和为我们服务的员工，他们真的对我们关怀备至。体验非常棒。"

聚类 4（地理位置优越）涉及餐厅位置（5.54%），聚类 5（丰富的酒精饮品选择）涉及酒精饮品（2.96%）。"推荐这家位于香港中环新开的屋顶酒吧。""葡萄酒和清酒的选择很丰富。"

聚类 1（多样菜单与优质食物）、聚类 2（景观优美的餐厅）、聚类 3（服务周到但价格偏高）、聚类 4（地理位置优越）、聚类 5（丰富的酒精饮品选择）

b. 粤菜馆

语义网络分析结果显示，聚类 1（特殊场合 / 活动与高口碑）涉及高口碑餐厅的体验，主要描述特殊场合或活动（见图 3）。粤菜馆在线评价中约 41.15% 的词汇涉及该主题。"我们在那里庆祝了结婚纪念日，度过了愉快的一晚，食物很棒，但服务有点混乱。似乎有很多员工，不同的人轮流为你的餐桌服务，让人难以跟上节奏，对于一家顶级餐厅来说，服务流程不够顺畅。北京烤鸭卷非常美味，下次去香港我们肯定还会再去。""顶楼的私人宴会厅和米其林星级餐厅拥有令人惊叹的景观，还有我们很久以来体验过的最佳服务。这是一次非常棒的体验，我们还有一个晚上可以享受。一流的服务 ------ 正宗的粤菜和俯瞰香港的景观（以及每晚的激光表演）都非常出色。"

粤菜馆在线评价中聚类 2（多样菜单与优质食物）主要体现菜品和食材，约 28.26% 的词汇描述该主题。"M 是一家有趣的中餐馆，采用西式装修风格，位于中环渣打银行总行的地下室...... 几周前我们尝试了几道点心，非常美味。招牌脆皮叉烧包采用西班牙黑猪肉制作，简直太棒了。我去过不少也提供类似叉烧包的米其林星级餐厅，但没有一家能比得上这家的品质 ------ 肉质鲜嫩多汁。这正是一个叉烧包应有的样子，甚至更完美。"

聚类 3（员工周到与氛围友好）占粤菜馆在线评价的 22.23%，主要描述服务和氛围。"...... 员工非常出色，服务极其周到，说实话，去香港的时候一定要去这家餐厅。氛围非常好，尤其是在吧台吃午餐。"

聚类 4（茶水 / 饮品服务周到）涉及茶水服务和免费饮品，占粤菜馆在线评价词汇的 5.26%。以下是几个例子："服务人员非常关注我们的饮品，似乎我们每喝一口茉莉花茶，他们就会立刻续杯。美食配优质服务，选择这家餐厅绝对不会出错。""一个巨大的惊喜是，我们在生日庆祝活动中都得到了一杯免费的起泡酒！"

聚类 5（中式古典艺术装修与高档宴会）占语义网络词汇的 2.14%，例子如下："在装饰精美的古典 / 现代环境中提供美味的粤菜。"

聚类 1（特殊场合 / 活动与高口碑）、聚类 2（多样菜单与优质食物）、聚类 3（员工周到与氛围友好）、聚类 4（茶水 / 饮品服务周到）、聚类 5（中式古典艺术装修与高档宴会）

c. 法国菜馆

语义网络分析结果显示，聚类 1（特殊场合 / 活动与高口碑）占香港法国高级餐厅在线评价的 36.57%，例子如下："我们是一对中法夫妻，在香港生活了很多年，F 绝对是我们庆祝生日或纪念日晚餐的首选之地之一。我们尝试了法国五月美食节的特别菜单，菜品丰富，每一样都非常美味...... 包括每人一杯香槟和葡萄酒，总账单约 5000 港元，对于一个美好的场合来说很值得。会再来的！"

聚类 2（优质食物与葡萄酒）描述了美味的菜品、食材和饮品，占法国高级餐厅在线评价的 35.05%。"...... 菜单上有极具创意和精心改良的法国菜，例如将萝卜沙拉做成菊花束的形状，鸭汤浓缩成一团盛在勺子上。我们点了三道菜的套餐，包括甜点，但实际上吃到了将近 7 道菜，中间还穿插了美味的开胃小菜。环境优雅，食物富有创意，服务周到。强烈推荐。"

聚类 3（员工周到与景观优美的优雅氛围）占 21.41% 的词汇，描述了法国高级餐厅的服务、氛围和景观。"餐厅氛围宁静优雅，服务非常周到。食物美味，摆盘精美。这是一家适合商务午餐、优雅浪漫晚餐的餐厅。"

聚类 4（热门菜单与甜点）涉及甜点（2.19%），聚类 5（价格偏高的菜单）涉及昂贵的用餐费用（2.00%）。"黑松露冰淇淋甜点是一个巨大的惊喜，非常美味。也许是因为夏天炎热，这简直是松露的天堂。原本期待的是清淡的收尾，但厨师却用令人愉悦的味觉盛宴完美收官。""绝对是必去的地方，但要注意，价格偏高。"

结果如图 4 所示。

聚类 1（特殊场合 / 活动与高口碑）、聚类 2（优质食物与葡萄酒）、聚类 3（员工周到与景观优美的优雅氛围）、聚类 4（热门菜单与甜点）、聚类 5（价格偏高的菜单）

d. 意大利菜馆

语义网络分析结果显示，聚类 1（多样菜单与优质食物）主要体现菜品和食材（见图 5），占意大利餐厅在线评价词汇数量的 30.16%。"来这里参加商务晚宴，我们分享了一份新鲜的沙拉，前菜点了美味的龙虾海胆意大利面。意面非常有嚼劲，汤汁极其香浓。我们还分享了一份牛排，非常棒。如果你还有胃口，甜点也很有创意。"

聚类 2（友好服务与带夜景海港景观的氛围）占餐厅在线评价词汇数量的 45.65%。"餐厅古雅别致，能欣赏到香港海港的壮丽夜景。浏览完菜单和酒单后，我们请经理帮忙推荐一款符合我们口味的葡萄酒。他非常热心，立刻推荐了一款，价格合理且口感顺滑。他还详细介绍了这款酒的产地和特点 ------ 显然他对葡萄酒非常了解，知识渊博......"

聚类 3（价格偏高的菜单）涉及价格问题，占词汇数量的 8.58%。"非常喜欢这里的食物。菜单很棒，从美食菜肴到披萨应有尽有。我们点的每一样都很美味。酒单很丰富，但价格偏高（嘿，这里是香港！）。"

聚类 4（适合特殊场合 / 活动的高口碑餐厅）指适合特殊场合的高口碑餐厅（6.77%），聚类 5（适合庆祝和商务活动的好去处）涉及用餐场合（3.07%）。"为即将离开香港的朋友举办了一场长时间的午餐。餐厅不大，位于香港购物区和中央商务区的中心地带，交通便利。尽管我们一行 7 人，但我们没有选择他们极力推荐的套餐。总体来说食物不错，性价比高（考虑到是米其林三星餐厅），但对我来说，在服务方面还不及 Caprice 餐厅。""S 酒店内的餐厅总是能提供很棒的食物。我因为商务原因去过很多次，每次都有惊喜。分量不大但品质很好，我总是点水牛芝士开胃菜。"

聚类 1（多样菜单与优质食物）、聚类 2（友好服务与带夜景海港景观的氛围）、聚类 3（价格偏高的菜单）、聚类 4（适合特殊场合 / 活动的高口碑餐厅）、聚类 5（适合庆祝和商务活动的好去处）

e. 澳大利亚菜馆

语义网络分析结果显示，聚类 1（优质牛排与菜单但价格偏高）描述了餐厅提供的食物，占澳大利亚餐厅在线评价词汇数量的 25.37%。"这家餐厅位于高空，能欣赏到香港天际线的绝佳景观。澳大利亚牛排非常出色，餐厅正上方的屋顶露天酒吧也很棒。想不出比这里更适合放松和庆祝特殊场合的地方了，在如此美妙独特的环境中喝杯啤酒，简直太惬意了。价格偏高，但香港的大多数餐厅都是如此。毕竟，香港是世界上生活成本最高的城市。"

聚类 2（优质服务与景观）占香港澳大利亚高级餐厅在线评价词汇数量的 43.19%。"员工非常棒、友好且周到。...... 也许有点太暗了，但能欣赏到城市的美景......"

聚类 3（值得一去的地方）体现了餐厅的价值，占词汇数量的 22.55%。"多么棒的一家餐厅啊...... 食物非常美味，再加上香港最美的景观，这家餐厅你一定要去试试。价格有点贵，但非常值得！"

聚类 4（一般的体验）涉及餐厅的位置区域（2.60%），聚类 5（适合庆祝的好去处）解释了人们光顾的场合（2.20%）。"这家店位于购物中心内，乘坐电梯很难找到。没有明确的指示牌。""我建议可以上来喝杯饮料，欣赏一下风景。""我们来这里庆祝我们的结婚纪念日！我们点了品鉴菜单和配套的葡萄酒。食物非常美味，完全符合他们的标准。"

所有结果如图 6 所示。

聚类 1（优质牛排与菜单但价格偏高）、聚类 2（优质服务与景观）、聚类 3（值得一去的地方）、聚类 4（一般的体验）、聚类 5（适合庆祝的好去处）

5. 讨论与启示

基于语义网络分析结果，以下是讨论与启示。首先，五种高级民族餐厅的高中心性词汇存在一些共性和差异。氛围和装修是日本菜馆和粤菜馆语义网络中的显著方面；厨师和整体质量是法国菜馆语义网络中的突出特征；窗外景观是意大利菜馆和澳大利亚菜馆语义网络中的重要元素。

其次，高中心性词汇的另一个差异在于，评价者对每种民族餐厅的服务质量评价有所不同。例如，粤菜馆和意大利菜馆的员工专注度和友好度被认为是重要的评价因素。服务专注度的重要性与以往研究结果一致（Lee，2015；Liu 等，2019）。此外，粤菜馆、意大利菜馆和法国菜馆的空间布局狭窄，以及日本菜馆和意大利菜馆的服务时机，都是具有高中心性的可识别词汇。

第三，在线评价者在高级民族餐厅体验中，将饮品和甜点与食物维度区分开来。以往研究将饮品和甜点视为饮食体验的基础部分（Nield 等，2000；Verbeke 和 López，2005）。例如，日本菜馆的评价者关注丰富的酒精饮品选择；粤菜馆的评价者重视茶水 / 饮品的周到服务。这些结果反映了餐厅专业化的趋势，如甜点吧或葡萄酒 / 烈酒酒吧。食物变得高度专业化，消费者也展现出对这一趋势的适应。餐厅管理者可以将这一发现应用于菜单设计，增加饮品和甜点菜单，并培训员工提升对饮品和甜点菜单的了解。

第四，在以往关于民族餐厅体验维度的研究中，氛围和景观被视为物理环境的子类别（Heung 和 Gu，2012；Horng 等，2013；Kim 和 Choe，2019；Kim 等，待发表）。然而，本研究结果表明，这些子类别与服务和食物同等重要。因此，氛围作为餐厅的有形线索，是一个重要的方面，尤其是在高档餐厅中，因为顾客会花费大量金钱购买高端体验。此外，香港的许多高级餐厅位于港口附近的高层楼层，这似乎也影响了景观重要性的研究结果。

第五，用餐场合 / 活动作为民族饮食消费价值受到关注。情境因素，如庆祝活动、商务目的或家庭 / 朋友聚会，似乎是人们选择高级民族餐厅的重要决策依据。尽管以往研究在民族餐厅消费者体验的背景下讨论过这些因素（Choe 和 Kim，2018；Kim 和 Eves，2012），但本研究首次将其列为一个独立维度。

第六，结果表明，价格是高级民族餐厅体验维度的一个组成部分，因为它与服务和食物一样，是评价者重点提及的内容。尽管价格水平的重要性是引发酒店餐饮体验满意度的关键前因（Ali、Amin 和 Cobanoglu，2016；Kelley、Van Rensburg 和 Jeserich，2016；Sukhu、Bilgihan 和 Seo，2017），但本研究发现价格是民族餐厅食客体验的一个维度。

第七，服务和食物仍然是分享高级民族餐厅体验的核心维度。由于高级餐厅体验基于高频率的员工 - 顾客互动，且要求员工具备高度的专注度，服务一直被视为重要维度。服务和食物在民族餐厅中的重要性与大多数以往研究一致（如 Choe 和 Kim，2018；Clemes 等，2013；Kivela 和 Crotts，2006；Li 等，2016）。

第八，在服务维度中，专注度和友好度被认为是人们分享高级民族餐厅体验时的重要方面。评价者对这方面的提及多于服务速度、专业知识或员工外貌。这一结果与大多数以往研究相似，即员工的个人特质和服务专注度会影响积极反馈（如 Alhelalat 等，2017；Liu 等，2019）。因此，从业者可以在员工培训中充分利用这一发现。在食物维度中，菜单多样性和各种食谱是重要方面，因为高级民族餐厅的顾客更关注食物的口味范围、质地、摆盘和温度（Barrena 和 Sánchez，2013；Clemes 等，2013；Guan，2012）。

第九，不同民族餐厅体验的主要聚类存在差异。例如，粤菜馆和法国菜馆的评价最常提及餐厅的高口碑和特殊场合 / 活动；日本菜馆的评价最常描述多样的菜单和优质食物；意大利菜馆和澳大利亚菜馆的评价则非常重视优质服务和良好景观。

第十，正如 Holbrook 和 Hirschman（1982）所指出的，消费体验是通过追求愉悦、情感、幻想和乐趣来实现的。由于体验可以被解读为 "感官体验、情感体验、创造性认知体验、物理体验、行为和生活方式"（Schmitt，1999，p.60），因此体验维度可以共存。因此，未来的研究必须分析这些维度之间的相互作用，而不是对消费体验模式进行系统分类。

6. 理论与实践启示

本研究对学术知识的主要贡献在于，有助于加深对消费者民族餐厅体验的理解。在线评价的分析结果为图 7 中提出的新维度提供了证据。与文献中常用的五个主要维度（可靠性、保证性、有形性、响应性和移情性）不同，员工的专注度和友好度是评价服务质量的主要维度。在食物质量方面，在线评价者在阐述高级餐厅体验时，将食材和食谱作为核心维度。相比之下，以往研究从多个角度考虑食物质量，如口味、分量、摆盘、种类、新鲜度、温度和选择（Ha 和 Jang，2013；Namkung 和 Jang，2007）。在物理环境方面，在线评价中强调窗外景观，而非设施美学、氛围、照明、布局或餐桌布置（Ryu 和 Han，2011）。

此外，本研究通过识别与文献的其他差异，勾勒出高级餐厅体验的全貌。口碑、用餐场合和价格是解释高级餐厅体验的重要维度。由于口碑被视为食客忠诚度的前因（Chen 等，2015），因此米其林星级餐厅等顶级口碑是高级餐厅体验的重要方面。用餐场合也是理解消费者高级餐厅体验的关键因素，因为它们会影响餐厅选择（Kivela，1997）。基于语义网络分析结果，价格被确定为解释餐厅体验的重要维度。具体而言，评价者使用 "pricey"（价格偏高）一词来讨论性价比。

本研究提出了若干实践启示。首先，尽管不同高级餐厅的体验存在消费者关注的共同方面，但不同类型餐厅的高频分享信息存在差异。这一发现意味着餐厅从业者可能需要制定不同的策略，以在市场中立足并吸引顾客重访。例如，法国菜馆可以将知名厨师作为促销营销工具，意大利菜馆和澳大利亚菜馆可以利用优美的景观吸引顾客。

其次，语义网络中提及的员工专注度和友好度被视为决定服务质量的重要维度。相比之下，可靠性和保证性在网络中出现的频率较低，这与以往研究结果不一致。因此，餐厅从业者可以利用这些信息对员工进行教育和培训。

最后，强调食物质量和物理环境的重要性是合理的。评价者在描述或评价高级餐厅体验时，更关注食材和食谱，而非食物的口味、分量、摆盘或温度。在菜单规划之初，应考虑各种食材和食谱，以吸引顾客的注意力并提高满意度。在物理环境方面，与美学、氛围、照明、布局或餐桌布置相比，窗外景观对高级餐厅体验的影响更为关键。然而，中式古典内饰对粤菜馆评价者的在线分享具有一定影响。

传统餐厅饮食消费体验维度、高级民族餐厅饮食消费体验维度（通过语义网络分析发现）

图 7 民族饮食消费体验的维度

7. 结论与未来研究建议

本研究采用语义网络分析方法，对香港高级民族美食餐厅体验的潜在维度进行了探索性研究。为实现四个研究目标，本研究通过语义网络分析对高级餐厅体验的在线评价进行了全面分析。尽管消费者在高级餐厅中可能有多种体验，但以往研究主要强调三个主要维度，即食物、物理环境和服务。然而，这些维度不足以解释消费者多样化和情感化的体验。为克服这一局限，本研究分析了消费者关于餐厅体验的在线评价中的关键词和高频词汇模式。此外，与以往研究的三个维度相比，本研究识别出 10 个维度。本研究结果反映了民族餐厅食客全面而多样的体验。因此，本研究为后续餐厅体验研究奠定了基础，突破了以往通过问卷调查法进行横断面数据分析的局限。

本研究存在一些局限性。首先，本研究仅关注单字（单个单词），未考虑文本中的双字、三字或多字短语。此外，由于文本分析方法的限制，本研究未将关键词分为主要类别和子类别。**因此，未来研究可考虑采用不同的算法，以深入挖掘文本数据的内涵。**其次，由于香港高级餐厅的质量较高，大多数在线评价呈现积极和满意的态度。因此，未来需要识别不满意因素。第三，本研究仅关注高级民族餐厅，而不同类型的餐厅可能呈现出不同的餐厅体验维度。因此，未来研究可以探索其他类型民族 / 宗教餐厅的体验维度，如清真餐厅、印度菜餐厅或非洲菜餐厅。此外，不同文化背景的游客对旅游目的地异国食物的感知可能存在差异（Lai 等，2018，2020）。例如，亚洲游客品尝西方当地食物后可能会感受到独特性或异国情调，而部分游客可能会表现出食物恐新症。第四，本研究仅包含英文评价。未来研究可以收集和分析其他语言的评价，以探究食客民族饮食消费体验的差异。第五，本研究未考察基于在线评价者社会人口统计特征的文本分析结果差异。因此，未来研究应根据评价者的社会人口统计特征比较文本分析结果。

（参考文献部分略）

文香・吴（穆恩），香港理工大学酒店及旅游业管理学院博士，研究方向为大数据分析、旅游影响和餐厅管理。地址：中国香港特别行政区九龙尖沙咀东部科学馆道 17 号，邮箱：moon.oh@connect.polyu.hk

承燮・金（山姆），博士，香港理工大学酒店及旅游业管理学院教授，研究方向为美食旅游、活动旅游和旅游影响。邮箱：sam.kim@polyu.edu.hk，电话：852-3400-2318，ORCID：0000-0002-9213-6540

语义网络分析技术性信息提取

一、核心定义与理论基础

（一）本质属性

语义网络分析是基于图论与自然语言处理技术的知识发现与推理方法，通过 "节点 - 边" 图结构表示实体（概念、对象、词汇等）与语义关系，核心是挖掘文本或多模态数据中的潜在关联，实现从 "关键词匹配" 到 "语义关联检索" 的升级。
与传统网络分析的关键差异：网络构建基于文本共享意义的结构网络，而非沟通对象间的链接（如社交网络中的用户关系）。

（二）理论起源与演进

时间节点	关键事件	贡献
3 世纪	古罗马哲学家波菲利在亚里士多德类型学评论中提及 "语义网络" 雏形	首次在逻辑学领域提出类似语义关联的概念
1956 年	英国学者 R.H. Richens 在计算机上实现首个语义网络	用于机器翻译的中间语言表示，奠定计算机领域应用基础
1960 年代	Robert F. Simmons 与 M. Ross Quillian 构建首个语义网络系统	模拟人类联想记忆，推动理论体系化
2012 年后	与知识图谱融合（如 Google 知识图谱）	成为结构化知识表示的核心技术，拓展至智能搜索、推荐系统等场景

二、语义网络分类体系

根据功能与特性，语义网络可分为以下四类，具体差异如下表所示：

类型	核心特点	典型应用场景
定义网络	强调子类型继承关系（如 "卡车→车辆"），支持属性继承规则	概念层级构建（如领域知识库中的分类体系）
断言网络	表示真实性断言（如 "地球是行星"），需用模态运算符标记非确定性信息	事实型知识存储（如百科全书式知识库）
可执行网络	集成推理机制（如标记传递），支持动态路径搜索与模式匹配	智能决策系统（如医疗诊断中的症状 - 疾病关系推理）
学习网络	通过增减节点、调整权重实现知识库动态扩展	自适应推荐系统（如根据用户行为更新兴趣网络）

三、核心技术环节

（一）语义网络构建流程

数据准备阶段
- 数据源：文本（学术文献、社交媒体内容、网页）、数据库、现有知识库（如 DBpedia、Freebase）、多模态数据（图像、音频、视频）。
- 数据预处理：文本需经过分词、词性标注、句法分析、停用词去除；多模态数据需通过特征提取（如图像的物体识别、音频的语音转文字）转化为可处理格式。
核心构建步骤
- 实体识别：通过命名实体识别（NER）技术提取文本中的实体（人名、地名、组织名、概念等），依赖深度学习模型（如 BERT、CRF）提升准确性。
- 关系抽取 ：从文本中提取实体间的语义关系（如 "工作于""居住在""因果关联"），关键方法包括：
  - 基于规则：人工定义语法、语义规则（如 "[人名] + 任职于 + [组织名]"），适用于规则明确的简单场景。
  - 基于统计：利用机器学习算法（如 SVM、条件随机场），通过特征工程（词频、词性、依存句法）训练模型。
  - 基于深度学习：用 CNN、RNN、Transformer 等模型自动学习语义特征，处理复杂语境下的关系抽取（如长文本中的隐含关系）。
- 标准化与融合 ：
  - 实体标准化：实体消歧（如 "苹果" 区分 "水果" 与 "公司"）、统一命名（如 "北大""北京大学" 合并）。
  - 知识融合：整合多源数据中的重复或相似知识，消除冗余（如合并不同知识库中同一实体的属性）。
优化与维护
- 动态更新：通过自动补全（基于推理引擎）、人工审核、实时数据监控，确保网络时效性（如新增实体 "元宇宙" 及相关关系）。
- 结构优化：用链接分析、社区检测算法简化网络复杂度，提升查询效率。

（二）关键分析方法

语义网络分析的核心方法可分为四类，覆盖主题演化、热点识别、趋势分析等需求：

方法类别	技术原理	核心应用
基于信息熵的语义网络分析	基于信息熵变化理论，定量分析研究主题的结构分布；通过不同时间段的熵值变化，观察研究对象演变（熵值越高，主题分布越分散）	学术领域主题演化追踪（如 "人工智能" 领域研究热点变迁）
基于词频分析的语义网络分析	统计文献 / 文本中关键词、主题词的出现频次，构建共现矩阵；通过频次排序识别领域热点，通过共现关系构建知识网络结构	文献计量分析（如识别某学科的核心研究方向）
基于突发词共词的语义网络分析	根据不同时间段词频变化率筛选 "突发词"（如某词在某季度频次激增）；通过突发词共现模式发现主题热点与发展阶段	舆情监测（如社交媒体中突发公共事件的话题扩散）
基于引文分析的语义网络分析	分析文献间的引用关系（如 A 引用 B、B 引用 C），构建引文网络；通过节点中心性、聚类等指标探测领域核心文献与研究脉络	学术评价（如识别某领域的奠基性论文）

此外，现代语义网络分析还融合深度学习技术，如：

用图神经网络（GNN）捕捉复杂网络结构特征；
用词嵌入技术（Word2Vec、GloVe）将文本转化为向量，计算语义相似度；
结合生成模型（如 GPT-3、Transformer）优化文本生成与关系推理。

（三）网络分析指标

通过图论算法计算关键指标，量化语义网络结构特征，常用指标如下：

中心性指标 ：
- 度中心性（DC）：节点的直接关联数量，衡量节点在网络中的影响力（如高频关键词的度中心性更高）。
- 中介中心性（BC）：节点位于其他节点间最短路径的频次，衡量 "守门人" 角色（如某概念是多个主题的连接核心）。
- 接近中心性（CC）：节点到其他所有节点的平均最短路径长度，衡量节点的 "可达性"。
结构指标 ：
- 聚类系数（Clustering Coefficient）：节点邻居间相互连接的概率，反映网络的局部紧密程度（如某主题下子概念的聚合程度）。
- 最短路径长度（Shortest Path Length）：两节点间最少连接数，衡量网络的全局连通性。

四、工具与技术栈

（一）核心工具

工具类型	典型工具	功能特点
网络构建工具	Webharvy（数据爬取）、NodeXL Pro（文本预处理与网络构建）	支持自动化数据采集、文本分词、共现矩阵生成
分析与推理工具	Gephi（网络可视化与指标计算）、Protégé（本体建模）	提供中心性计算、聚类分析、本体定义功能
深度学习框架	TensorFlow、PyTorch	支持自定义 GNN、Transformer 等模型，用于实体识别、关系抽取

（二）关键技术依赖

自然语言处理（NLP）：分词、NER、依存句法分析、语义角色标注。
机器学习 / 深度学习：CRF（实体识别）、CNN/RNN（关系抽取）、GNN（网络结构学习）、词嵌入（语义相似度计算）。
知识表示语言：OWL（本体描述语言）、RDF（资源描述框架），用于标准化实体与关系。

五、应用领域与场景

（一）传统领域应用

信息检索 ：
- 语义相似度计算：通过实体间语义关系优化检索结果排序（如 "便宜的红色卡车" 匹配 "低价红色载货汽车"）。
- 跨语言检索：构建多语言语义映射，实现不同语言间的关联检索（如英文 "apple" 与中文 "苹果" 的语义对齐）。
自然语言处理 ：
- 词义消歧（如 "银行" 区分 "金融机构" 与 "河岸"）、句法分析、情感分析（通过情感词汇语义网络识别文本情绪）。
专家系统 ：
- 医疗诊断：构建 "症状 - 疾病 - 治疗" 语义网络，辅助医生推理（如 "咳嗽 + 发烧→可能为感冒"）。
- 法律咨询：整合法律条文与案例，构建 "法条 - 案例 - 罪名" 网络，支持法律问题解答。

（二）现代智能系统应用

知识图谱构建：作为核心技术，将分散知识转化为 "实体 - 关系" 结构化网络（如百度知识图谱、Google 知识图谱）。
智能推荐 ：
- 基于用户兴趣语义网络生成个性化推荐（如 "喜欢科幻小说→推荐《三体》《沙丘》"）。
- 商品推荐：通过 "用户 - 商品 - 属性" 关系网络（如 "购买 A 商品的用户还购买 B"）拓展推荐范围。
生成式 AI ：
- 优化 AIGC 的语义连贯性（如生成文本时参考语义网络，避免逻辑矛盾）。
- 支持智能问答系统（如将用户问题转化为语义网络查询，快速定位答案）。
前沿场景 ：
- 自动驾驶：构建 "道路实体 - 关系" 网络（如 "行人→靠近→斑马线"），辅助环境感知。
- 元宇宙：通过语义映射实现虚拟与物理世界的交互一致性（如虚拟物体属性与现实语义匹配）。

六、技术挑战与局限

数据层面 ：
- 噪声与歧义：文本中的口语化表达、多义词（如 "苹果"）导致实体识别与关系抽取准确率下降；多模态数据融合时，不同模态的语义映射难度大。
- 数据质量与数量：高质量标注数据稀缺（尤其领域数据），小样本场景下模型性能受限。
技术层面 ：
- 动态更新：知识实时变化（如新增概念、关系变更），语义网络的动态维护成本高。
- 可解释性：深度学习模型（如 GNN）的 "黑箱" 特性，导致语义推理过程难以解释（如医疗场景中无法说明 "为何推荐某治疗方案"）。
合规层面 ：
- 数据隐私：分析社交媒体、医疗等敏感数据时，存在隐私泄露风险（如用户个人信息、病历数据）。
- 算法偏见：训练数据中的人类偏见（如性别、地域偏见）可能被模型学习，导致推荐或推理结果不公平。

七、未来发展趋势

多模态融合：整合文本、图像、音频、视频数据，构建多维度语义网络（如通过图像识别 "猫"，关联文本 "猫是哺乳动物"）。
自动化与智能化 ：
- 自动化构建：利用强化学习、半监督学习减少人工标注依赖，实现大规模语义网络的自动生成。
- 智能推理：结合逻辑推理与机器学习，提升语义网络的深层知识挖掘能力（如从 "A 是 B""B 是 C" 自动推出 "A 是 C"）。
跨领域与跨语言 ：
- 跨领域整合：打破医疗、金融、教育等领域的知识壁垒，构建通用语义网络（如 "疾病" 与 "医保政策" 的关联）。
- 跨语言优化：提升小语种语义网络的构建能力，促进全球知识共享。
边缘计算适配：将语义网络分析部署至边缘设备（如手机、物联网终端），优化资源分配与实时响应（如本地智能推荐）。