سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات162
تعداد شماره‌ها6,692
تعداد مقالات72,229
تعداد مشاهده مقاله129,181,506
تعداد دریافت فایل اصل مقاله102,010,314
عیاشی, اطهره, پوراحمد, احمد, فرجی سبکبار, حسنعلی, زنگنه شهرکی, سعید, کربونه, فابیو. (1404). ارائه روش هوشمند وب کاوی (خزش) برای تحلیل نظرات برخط استفاده‌کنندگان از اقامتگاه‌های گردشگری شهر تهران. , 12(1), 99-118. doi: 10.22059/jut.2025.378415.1221
اطهره عیاشی; احمد پوراحمد; حسنعلی فرجی سبکبار; سعید زنگنه شهرکی; فابیو کربونه. "ارائه روش هوشمند وب کاوی (خزش) برای تحلیل نظرات برخط استفاده‌کنندگان از اقامتگاه‌های گردشگری شهر تهران". , 12, 1, 1404, 99-118. doi: 10.22059/jut.2025.378415.1221
عیاشی, اطهره, پوراحمد, احمد, فرجی سبکبار, حسنعلی, زنگنه شهرکی, سعید, کربونه, فابیو. (1404). 'ارائه روش هوشمند وب کاوی (خزش) برای تحلیل نظرات برخط استفاده‌کنندگان از اقامتگاه‌های گردشگری شهر تهران', , 12(1), pp. 99-118. doi: 10.22059/jut.2025.378415.1221
عیاشی, اطهره, پوراحمد, احمد, فرجی سبکبار, حسنعلی, زنگنه شهرکی, سعید, کربونه, فابیو. ارائه روش هوشمند وب کاوی (خزش) برای تحلیل نظرات برخط استفاده‌کنندگان از اقامتگاه‌های گردشگری شهر تهران. , 1404; 12(1): 99-118. doi: 10.22059/jut.2025.378415.1221

ارائه روش هوشمند وب کاوی (خزش) برای تحلیل نظرات برخط استفاده‌کنندگان از اقامتگاه‌های گردشگری شهر تهران

نشریه گردشگری شهری
دوره 12، شماره 1، فروردین 1404، صفحه 99-118    اصل مقاله (1.39 M)
نوع مقاله: علمی - پژوهشی مستقل
شناسه دیجیتال (DOI): 10.22059/jut.2025.378415.1221
نویسندگان
اطهره عیاشی1؛ احمد پوراحمد* 1؛ حسنعلی فرجی سبکبار1؛ سعید زنگنه شهرکی1؛ فابیو کربونه2
1گروه جغرافیای انسانی و برنامه‌ریزی، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران
2گروه گردشگری و هتلداری، دانشگاه نورث همپتون، لندن، انگلستان
چکیده
این پژوهش، با هدف تحلیل و ارزیابی نظرات برخط کاربران درباره اقامتگاه‌های شهر تهران، از تکنیک‌های پیشرفته وب کاوی (Web Scraping) استفاده کرده است. ازاین‌رو در این مقاله، به بررسی یک روش جامع خودکار وب کاوی برای جمع‌آوری و تجزیه‌وتحلیل نظرات کاربران در یکی از سایت‌های آنلاین اقامتگاه در شهر تهران ارائه‌شده است. این روش هوشمند شامل مراحلی مانند انتخاب وب‌سایت، بررسی ابزارها، استخراج داده‌ها، پیش‌پردازش و تجزیه‌وتحلیل نظرات است. با استفاده از این روش، صاحبان اقامتگاه‌ها، مدیران و بازاریابان می‌توانند بینشی عمیق درباره ترجیحات مشتریان، سطح رضایت و نیازهای بهبود را به دست آورند. هم‌چنین گردشگران و کاربران برای انتخاب اقامتگاه خود می‌توانند اطلاعات ارزشمندی از تجربیات سایرین کسب نمایند. بر اساس نتایج تحقیق، روش هوشمند وب کاوی، امکان تحلیل داده‌های بزرگ و ارزشمند را فراهم می‌کند و می‌تواند به تصمیم‌گیری‌های استراتژِیک در حوزه خدمات گردشگری کمک کند. یافته‌ها با استفاده از آمار توصیفی و آزمون‌های تحلیلی شامل آزمون‌های t و ANOVA، برای ارزیابی میانگین تفاوت در نظرات کاربران در دسته‌های مختلف هتل ارائه‌شده‌اند. این مطالعه نشان می‌دهد که میانگین امتیازات امکانات هتل، قیمت اتاق، کیفیت اتاق، موقعیت هتل و پروتکل‌های بهداشتی عموماً بالاتر از میانگین مورد انتظار است که نشان‌دهنده درک کلی مثبت از هتل‌های تهران است.  
کلیدواژه‌ها
وب کاوی؛ خزنده نویسی؛ تحلیل آنلاین نظرات؛ اقامتگاه‌های تهران
مراجع
  1. حق وردی زاده، ابوالفضل؛ زارعی، قاسم؛ عسگرنژاد نوری، باقر و رحیمی کلور، حسین. (1402). الگوی توسعه گردشگری هوشمند شهری مبتنی بر اکوسیستم بازاریابی مطالعه موردی: شهر تبریز. مجله گردشگری شهری، 10(3)، 127-146.‌ DOI: 10.22059/jut.2023.365511.1157
  2. میمندی، فاطمه؛ کیوان نیا، سامان و شیرمحمدی، علی، (1402). بررسی چالش‌های هوشمند سازی اقامتگاه‌های بوم گردی. مجله گردشگری شهری، 10(4)، 17-35. DOI: 10.22059/jut.2024.352721.1102
  3. Adhinugroho, Y., Putra, A. P., Luqman, M., Ermawan, G. Y., Mariyah, S., & Pramana, S. (2020). Development of online travel Web scraping for tourism statistics in Indonesia. DOI: 10.47989/irpaper885
  4. Ahmad, W., & Sun, J. (2018). Modeling consumer distrust of online hotel reviews. International Journal of Hospitality Management, 71, 77-90. DOI: 10.1016/j.ijhm.2017.12.005
  5. Alaei, A. R., Becken, S., & Stantic, B. (2019). Sentiment analysis in tourism: capitalizing on big data. Journal of travel research, 58(2), 175-191. DOI: 10.1177/004728751774775
  6. Ali, T., Omar, B., & Soulaimane, K. (2022). Analyzing tourism reviews using an LDA topic-based sentiment analysis approach. MethodsX, 9, 101894. DOI: 10.1016/j.mex.2022.101894
  7. Aluri, A., Price, B. S., & McIntyre, N. H. (2019). Using machine learning to cocreate value through dynamic customer engagement in a brand loyalty program. Journal of Hospitality & Tourism Research, 43(1), 78-100. DOI: 10.1177/1096348017753521
  8. Barbera, G., Araujo, L., & Fernandes, S. (2023). The Value of Web Data Scraping: An Application to TripAdvisor. Big Data and Cognitive Computing, 7(3), 121. DOI: 10.3390/bdcc7030121
  9. Beck, J., Danilenko, M., Sperber, L., Wiersma, B., & Egger, R. (2017). Connecting big data and service quality evaluation–developing a service quality map of the Austrian hospitality industry through the application of big data. The Gaze: Journal of Tourism and Hospitality, 8, 40-54. DOI: 10.3126/gaze.v8i0.17831
  10. Berezina, K., Bilgihan, A., Cobanoglu, C., & Okumus, F. (2016). Understanding satisfied and dissatisfied hotel customers: text mining of online hotel reviews. Journal of Hospitality Marketing & Management, 25(1), 1-24. DOI: 10.1080/19368623.2015.983631
  11. Choong, W. J. (2019). An automated web scraping tool for Malaysia tourism (Doctoral dissertation, UTAR).
  12. Dogucu, M., & Çetinkaya-Rundel, M. (2021). Web scraping in the statistics and data science curriculum: Challenges and opportunities. Journal of Statistics and Data Science Education, 29(sup1), S112-S122. DOI: 10.1080/10691898.2020.1787116
  13. DOI: 10.1080/13683500.2015.1127336
  14. Fazzolari, M., & Petrocchi, M. (2018). A study on online travel reviews through intelligent data analysis. Information Technology & Tourism, 20(1), 37-58. DOI: 10.1007/s40558-018-0121-z
  15. Gheorghe, M., Mihai, F. C., & Dârdală, M. (2018). Modern techniques of web scraping for data scientists. International Journal of User-System Interaction, 11(1), 63-75.
  16. Haghverdizadeh, A., Zarei, G., Asgarnezhad Nouri, B., & Rahimi Kolour, H. (2023). Urban Smart Tourism Development Model Based on Marketing Ecosystem the Case Study of Tabriz City. Journal of urban tourism, 10(3), 127-146. DOI: 10.22059/jut.2023.365511.1157 [In Persian]
  17. Han, S., & Anderson, C. K. (2021). Web scraping for hospitality research: Overview, opportunities, and implications. Cornell Hospitality Quarterly, 62(1), 89-104. DOI: 10.1177/193896552097358
  18. Kamarazaman, N., Ali, N., & Arshad, H. (2024). Leveraging Web Scraping To Gather Tourism Information Data. Journal of Event, Tourism and Hospitality Studies, 4, 16-29. DOI: 10.32890/jeth2024.4.2
  19. Khder, M. A. (2021). Web scraping or web crawling: State of art, techniques, approaches and application. International Journal of Advances in Soft Computing & Its Applications, 13(3). DOI: 10.32890/jeth2024.4.2
  20. Liu, Y., Teichert, T., Rossi, M., Li, H., & Hu, F. (2017). Big data for big insights: Investigating language-specific drivers of hotel satisfaction with 412,784 user-generated reviews. Tourism Management, 59, 554-563. DOI: 10.1016/j.tourman.2016.08.012
  21. Luo, N., Kwan, C., Sun, Y., & Zhang, F. (2020, October). Analyzing and Filtering Food Items In Restaurant Reviews: Sentiment Analysis and Web Scraping. In Computer Science & Information Technology (CS & IT) Computer Science Conference DOI: 10.5121/csit.2020.101208
  22. Meymandi, F., Keyvannia, S., & Shirmohammadi, A. (2024). Examining the Challenges of Smartening Eco-lodges. Journal of urban tourism, 10(4), 17-35. DOI: 10.22059/jut.2024.352721.1102 [In Persian]
  23. Moro, S., Batista, F., Rita, P., Oliveira, C., & Ribeiro, R. (2019a). Are the states united? An analysis of US hotels’ offers through TripAdvisor’s eyes. Journal of Hospitality & Tourism Research, 43(7), 1112-1129. DOI: 10.1177/109634801985479
  24. Moro, S., Ramos, P., Esmerado, J., & Jalali, S. M. J. (2019b). Can we trace back hotel online reviews’ characteristics using gamification features? International Journal of Information Management, 44, 88-95. DOI: 10.1016/j.ijinfomgt.2018.09.015
  25. Moro, S., Rita, P., & Oliveira, C. (2018). Factors influencing hotels’ online prices. Journal of Hospitality Marketing & Management, 27(4), 443-464. DOI: 10.1080/19368623.2018.1395379
  26. Nwakanma, C. I., Ogbonna, A. C., Etus, C., Nwifor, E. U., Onyebuchi, J. E., & Ugwueke, E. C. Predictive analytics of customer sentiments towards Nigerian hospitality industry: Case study approach. In Proc. 3rd International Conference on Intelligent Computing and Emerging Technologies (ICET 2019) (pp. 60-68).
  27. Oses Fernández, N., Kepa Gerrikagoitia, J., & Alzua-Sorzabal, A. (2018). Sampling method for monitoring the alternative accommodation market. Current Issues in Tourism, 21(7), 721-734.
  28. Pang, C. C. (2023). Hotel recommendation system with machine learning (Doctoral dissertation, UTAR).
  29. Phillips, P., Barnes, S., Zigan, K., & Schegg, R. (2017). Understanding the impact of online reviews on hotel performance: an empirical analysis. Journal of travel research, 56(2), 235-249. DOI: 10.1177/0047287516636
  30. Pokhrel, S., Somasiri, N., Jeyavadhanam, R., & Ganesan, S. (2023). Web Data Scraping Technology Using Term Frequency Inverse Document Frequency to Enhance the Big Data Quality on Sentiment Analysis. International Journal of Electrical and Computer Engineering, 17(11), 300-307.
  31. Radojevic, T., Stanisic, N., & Stanic, N. (2015). Ensuring positive feedback: Factors that influence customer satisfaction in the contemporary hospitality industry. Tourism management, 51, 13-21. DOI: 10.1016/j.tourman.2015.04.002
  32. Rajan, A., & Shyam, A. V. (2015). Sentiment Analysis on Customer Reviews in Tourism-A Text Mining Approach.
  33. Renganathan, V., & Upadhya, A. (2021). Dubai restaurants: A sentiment analysis of tourist reviews. Academica Turistica-Tourism and Innovation Journal, 14(2). DOI: 10.26493/2335-4194.14.165-174
  34. Sahu, S., Divya, K., Rastogi, N., Yadav, P. K., & Perwej, Y. (2022). Sentimental Analysis on Web Scraping Using Machine Learning Method. Journal of Information and Computational Science (JOICS), ISSN, 1548-7741. DOI: 10.12733/JICS.2022/V12I08.535569.67004
  35. Sequeira, S., Joy, J., Dsouza, D., & Kaul, P. (2020, June). Dynamic review modelling and recommendation of tourism data. In Proceedings of the International Conference on Recent Advances in Computational Techniques (IC-RACT).
  36. Sharma, K., & Borkar, G. M. Comparative Analysis of Dynamic Web Scraping Strategies: Evaluating Techniques for Enhanced Data Acquisition, In: Ashish Kumar Tripathi and Vivek Shrivastava (eds), Advancements in Communication and Systems, SCRS, India, 2024, pp. 241-252. DOI: 10.56155/978-81-955020-7-3-22
  37. Stringam, B., Gerdes, J. H., & Anderson, C. K. (2023). Legal and ethical issues of collecting and using online hospitality data. Cornell Hospitality Quarterly, 64(1), 54-62. DOI: 10.1177/19389655211040434
  38. Wong, E., Rasoolimanesh, S. M., & Pahlevan Sharif, S. (2020). Using online travel agent platforms to determine factors influencing hotel guest satisfaction. Journal of Hospitality and Tourism Technology, 11(3), 425-445. DOI: 10.1108/JHTT-07-2019-0099
  39. Yildirim, Y., Ulucan, A., & Atici, K. B. (2023). Classifying Scuba Diving Sites through Diver Reviews with a Web Scraping Based UTADIS Application. Croatian Operational Research Review, 14(2), 137-148. DOI: 10.17535/crorr.2023.0012
  40. Yuan, S. (2023). Design and Visualization of Python Web Scraping Based on Third-Party Libraries and Selenium Tools. Academic Journal of Computing & Information Science, 6(9), 25-31. DOI: 10.25236/AJCIS.2023.060904
آمار
تعداد مشاهده مقاله: 188
تعداد دریافت فایل اصل مقاله: 27





سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب