尤天慧¹, 张茜婷¹, 曹兵兵², 袁媛¹
1. 东北大学 工商管理学院，辽宁 沈阳 110169;
2. 广州大学 管理学院，广东 广州 510006
收稿日期：2022-08-10
基金项目：国家自然科学基金资助项目(72002054); 广东省科技计划项目(2020A1414010084); 广东省基础与应用基础研究基金资助项目(2020A1515110618); 广州市教育局高校科研项目(202032853)。
作者简介：尤天慧(1967-), 女, 黑龙江宾县人, 东北大学教授, 博士生导师。

摘要：考虑旅行社在选择合作酒店时会关注备选酒店的需求信息和电子口碑的发展趋势，提出一种考虑这两类信息的酒店合作伙伴选择方法.首先基于备选酒店需求和电子口碑信息构建有向加权图，具体地，依据备选酒店的需求信息确定有向加权图节点权重，并给出一种考虑备选酒店电子口碑横向、纵向发展趋势的权重修正系数，用来计算时间权重，在此基础上，采用TOWGA算子计算备选酒店的电子口碑评价值，并依据评价值进行两两酒店比较来确定有向边及其权重；然后基于PageRank算法求解各备选酒店的排序值；最后通过一个实例分析说明本文提出方法的可行性和有效性.
关键词：需求信息电子口碑时间权重PageRank酒店合作伙伴选择
Method for Hotel Partner Selection Considering Demand Information and Electronic Word-of-Mouth
YOU Tian-hui¹, ZHANG Xi-ting¹, CAO Bing-bing², YUAN Yuan¹
1. School of Business Administration, Northeastern University, Shenyang 110169, China;
2. School of Management, Guangzhou University, Guangzhou 510006, China
Corresponding author: CAO Bing-bing, E-mail: bbcao_neu@163.com.

Abstract: Considering that travel agencies will pay attention to the demand information and electronic word-of-mouth(e-WOM)development trend of each alternative hotel when choosing partners, a method for hotel partner selection is proposed based on both information. First, the directed and weighted graph is constructed, in which the weight of the node is determined based on the demand information. Further, a time weight correction coefficient that considers the horizontal and vertical development trends of the alternatives' e-WOM information is proposed to calculate the weight of each stage, and the TOWGA operator is used to calculate the attribute performance of each alternative hotel. By comparing the e-WOM attribute performance, the directed edge and its weight are determined. Then, the algorithm for calculating the ranking value of the alternative hotels is given based on PageRank. Finally, an example is used to verify the feasibility and effectiveness of the proposed method.
Key words: demand informationelectronic word-of-mouth(e-WOM)time weightPageRankhotel partner selection
近年来，随着互联网和电子商务的发展，一些旅游网站，如飞猪和携程等，都提供了在线评价/评论功能，并鼓励消费者对酒店的使用经历和感受进行评价/评论，这些在线评价/评论信息在一定程度上代表着产品或服务的电子口碑.已有研究表明，在线评价/评论对消费者的购买决策具有重要影响^[1].而对于合作伙伴选择问题，如旅行社选择长期合作酒店，既要考虑其关于备选酒店的需求属性信息^[2]，即关于备选酒店规格配置方面的信息，如价格、地理位置等; 同时也要关注备选酒店电子口碑的发展趋势，如备选酒店电子口碑的长期表现，即是否在不断提升？与其他备选酒店电子口碑相比是否具有优势？因此，如何基于需求属性信息且考虑电子口碑的发展趋势来辅助决策者进行酒店合作伙伴选择是一个值得关注的问题.
目前，关于基于需求属性信息的合作伙伴选择方法的研究已经取得了丰富的研究成果^[3-5]，如，Wu等^[3]结合ANP和MOP方法，提出了一种绿色产品合作伙伴选择和供应链构建的组合模型；Buyukozkan等^[4]针对数字化供应链合作伙伴选择问题，提出了一种基于毕达哥拉斯模糊集的AHP与COPRAS相结合的合作伙伴选择方法；Roy等^[5]考虑到实际决策问题中的主观性和模糊性，提出了一种基于WIRN的COPRAS模型，并将该模型用于解决旅行社的酒店合作伙伴选择问题.已有的基于需求属性信息的合作伙伴选择方法大多是对传统多属性决策方法的扩展.
近年来，随着旅游网站上关于酒店的在线评价/评论信息的大量涌现，针对基于在线评价/评论信息的酒店选择方法的研究也已引起了有关****的关注^[6-11].上述成果为进一步开展基于在线评价/评论的酒店合作伙伴选择问题的研究提供了方法支持.需要指出的是，已有的基于需求属性信息的合作伙伴选择方法研究没有考虑电子口碑对合作伙伴选择的影响，而已有的基于在线评价/评论的酒店选择问题研究大多基于某阶段的酒店在线评价/评论进行酒店选择，较少考虑决策者对电子口碑长期以来发展趋势的关注.虽然文献[10]在构建基于在线评论的酒店选择模型时考虑了电子口碑长期以来的发展趋势对酒店选择的影响，但没有考虑需求属性信息对酒店选择的影响，已有的选择方法无法直接用于解决本文所考虑的酒店合作伙伴选择问题.基于此，本文着重研究考虑需求信息和电子口碑的酒店合作伙伴选择方法.
1 问题描述本文主要研究考虑需求信息和电子口碑的酒店合作伙伴选择问题，为了方便表述，针对本文所涉及的相关符号说明如下：
A={A₁, A₂, …, A_m}为决策者关注的m个备选酒店的集合，其中A_i表示第i个备选酒店，i=1, 2, …, m；C^D={C₁^D, C₂^D, …, C_p^D}为决策者所关注的酒店的p个需求属性的集合，其中C_q^D表示第q个需求属性，q=1, 2, …, p，酒店的需求属性主要有价格、房间面积和酒店与决策者关注点的距离等，在酒店选择过程中，需求属性可由决策者给定；C^W={C₁^W, C₂^W, …, C_n^W}为网站预设的酒店的n个电子口碑属性的集合，其中C^W_j表示第j个电子口碑属性，j=1, 2, …, n，酒店的电子口碑属性主要包括服务体验、性价比和清洁程度等，在酒店选择过程中，电子口碑属性由决策者基于旅游网站给出的打分属性选定；ω^D=(ω₁^D, ω₂^D, …, ω_p^D)为需求属性权重向量，其中ω_q^D表示需求属性C_q^D的权重，满足这里，需求属性权重向量可由决策者给出；μ=(μ₁, μ₂, …, μ_h)为时间权重向量，其中μ_t表示第t时间段的权重，满足1, 2, …, h；E={E¹, E², …, E^v}为在电子口碑评价过程中针对酒店电子口碑属性所使用的评价标度集合，其中E^e表示第e个评价标度，e=1, 2, …, v，通常e越大，所对应的评价等级越高；F_i^t为第t时间段参与备选酒店A_i电子口碑评价的消费者人数，i=1, 2, …, m，t=1, 2, …, h；f_ij^te为第t时间段使用评价标度E^e针对酒店A_i关于电子口碑属性C_j^W进行评价的消费者人数，F_i^t；x_ijl^tτ为第t时间段参与电子口碑评价的第l个消费者依据评价标度集E给出的酒店A_i针对电子口碑属性C_j^W的评价值，x_ijl^tτ∈{E¹, E², …, E^v}，i=1, 2, …, m，j=1, 2, …, n，t=1, 2, …, h，l=1, 2, …, F_i^t，τ∈{1, 2, …, v}.
本文要解决的问题是：依据相关网站提供的针对备选酒店的需求属性信息和各时间段电子口碑属性的在线评价信息、未知的时间权重信息及决策者给出的需求属性权重向量，如何确定一个备选酒店的排序方法来辅助决策者进行酒店合作伙伴的选择.
2 原理与方法针对上述酒店合作伙伴选择问题，决策者会综合考虑其关注的备选酒店需求属性信息和备选酒店电子口碑的长期表现，基于此，本文给出一种基于有向加权图的酒店合作伙伴选择方法，采用有向加权图可以同时处理需求属性信息和电子口碑信息，并且在处理电子口碑信息时考虑了备选酒店电子口碑的发展趋势.
2.1 基于需求属性信息和电子口碑的有向加权图的构建决策者在进行酒店合作伙伴选择时，既会关注备选酒店需求属性信息，也会比较消费者电子口碑的变化趋势，为了能够充分地利用这两类信息，本文构建了一个备选酒店的有向加权图.记G=(V, S, w(A_i), w(A_i, A_i′))，为用4元组表示的备选酒店有向加权图，其中V为有向加权图节点(即备选酒店)的集合，S为有向边(即备选酒店有序对)的集合，w(A_i)为节点A_i(即备选酒店)的权重，w(A_i, A_i′)为节点A_i到节点A_i′的有向边(即备选酒店间的比较关系)的权重.节点权重可通过需求属性信息确定，有向边权重可通过比较各备选酒店的口碑确定.
2.1.1 基于需求属性信息的有向加权图节点权重的确定有向加权图中的节点权重表示节点的重要程度，可基于备选酒店的需求属性决策矩阵A=[a_iq]_m×p确定，其中，a_iq表示备选酒店A_i对应于需求属性C_q^D上的一个属性值.为了消除属性类型及量纲对结果的影响，需要先对决策矩阵A=[a_iq]_m×p进行规范化，下面采用“向量规范法”，将A规范化为A^*=[a_iq^*]_m×p，其中a_iq^*的计算公式为

(1)

其中：i=1, 2, …, m，q=1, 2, …, p；I₁表示效益型属性的集合；I₂表示成本型属性的集合.
进一步地，基于简单加权法计算各备选酒店的综合评价值V(A_i)，即

(2)

最后，通过对各备选酒店综合评价值V(A_i)进行归一化，可确定有向加权图中各节点的权重，即

(3)

2.1.2 基于电子口碑的有向边及有向边权重的确定本文通过将备选酒店的口碑进行两两比较，来确定有向边及有向边的权重.由于本文考虑了各备选酒店口碑的发展趋势，因此在对备选酒店口碑进行比较之前需要将各备选酒店的口碑信息在时间段维度进行集结.
本文以OTA(online travel agent)网站的在线评价数据作为酒店的口碑信息.首先，为计算各时间段各备选酒店关于各评价标度的概率分布，需要确定各时间段各备选酒店针对每个口碑属性采用不同评价标度进行评价的用户数f_ij^te，计算公式为

(4)

其中，

(5)

则第t时间段备选酒店A_i关于口碑属性C_j^W的评价标度E^e的概率分布ρ_ij^te的计算公式为

(6)

然后，可计算出第t时间段酒店A_i关于口碑属性C_j^W的期望(评价结果)x_ij^t，计算公式为

(7)

由此可得到时序立体决策矩阵[x_ij^t]_m×n×h.
由于本文考虑了口碑的发展趋势，即考虑了时间因素，因此时间权重对方案的选择影响较大.下面给出时间权重的确定方法.
基于Yager^[12]提出的OWA算子和orness测度公式，文献[13]给出了“时间度”λ的计算公式为

(8)

其中，λ的大小体现了在时间维度集结过程中，决策者对时序的重视程度.λ越接近0，表明决策者越注重近期的评价；λ越接近1，表明决策者越注重远期的评价；当λ=0.5时，表明决策者对各个阶段评价的重视程度相同，没有特殊偏好.λ的标度参考表见表 1^[13].
表 1(Table 1)

表 1 λ的标度参考表Table 1 Scale reference table of λ λ 说明 0.1 非常重视近期数据 0.3 较重视近期数据 0.5 同样重视所有阶段数据 0.7 较重视远期数据 0.9 非常重视远期数据 0.2，0.4，0.6，0.8 对应以上两相邻判断中间的情况

表 1 λ的标度参考表 Table 1 Scale reference table of λ

根据时间权重向量的熵的定义^[13]：

(9)

可知时间权重向量的熵越小，权重向量之间的差异就越大；反之，熵越大，权重向量之间的差异就越小.决策者根据表 1确定其对时序的重视程度后，应尽可能减少时间权重向量之间的差异.因此文献[13]通过构建基于熵的非线性规划模型来确定时间权重向量，即

(10)

该模型综合考虑了时间权重向量间的差异和决策者对时间的偏好，但是并没有考虑酒店在各个时间段口碑的发展趋势，基于此，本文考虑酒店的横向、纵向口碑的发展趋势，对时间权重进行修正.设η_ij^t为第t时间段酒店A_i关于口碑属性C_j^W的时间权重的修正系数，其计算公式为

(11)

其中，1, 2, …, m，j=1, 2, …, n，t=1, 2, …, h.Δ_ij^t体现了酒店A_i针对口碑属性C_j^W纵向的口碑发展趋势，当Δ_ij^t>0时，意味着相比t-1时间段，酒店A_i的口碑属性C_j^W的口碑有了一定的提高，反之，在第t时间段酒店A_i的口碑属性C_j^W的口碑是下降的.当t=1时，默认x_ij^t-1=x_ij^t，即不考虑第一时间段的纵向发展趋势；Δ′_ij^t体现了横向口碑发展趋势，Δ′_ij^t>0意味着在第t时间段酒店A_i针对口碑属性C_j^W的口碑表现要优于所有备选酒店关于口碑属性C_j^W表现的平均水平，反之，该时间段酒店A_i针对口碑属性C_j^W的口碑表现低于所有备选酒店关于口碑C_j^W表现的平均水平.式(11)中设y=(1+e^-x)^-1，该函数是一条以(0, 0.5)为中心的中心对称曲线，函数的变化速率随着x绝对值的增大而逐渐减小，当x从0趋向正(负)无穷时，增长速度趋向于0，该函数可以有效地体现边际效用递减的规律，可以表示决策者对备选酒店口碑稳步增长的诉求.α可以衡量决策者对两种发展趋势的偏好，α越接近1，表明决策者越注重酒店的纵向口碑发展趋势；α越接近0，表明决策者越注重酒店的横向口碑发展趋势.
综上，修正后的酒店A_i针对口碑属性C_j^W的时间权重μ_ij^t′为

(12)

进一步地，对修正后的酒店A_i针对口碑属性C_j^W的时间权重μ_ij^t′进行归一化处理，即

(13)

在此基础上，计算考虑口碑发展趋势的备选酒店的口碑属性评价值.在时间维度集结时，最常见的是简单加权法，但简单加权法具有补偿性，即被评价对象在某个时间段的口碑优越表现可以弥补其在其他时间段的口碑较差表现.考虑到选择长期的酒店合作伙伴需要充分考虑酒店各时间段的口碑表现稳定性，为了防止口碑在各时间段的表现出现“短板”现象，本文基于TOWGA算子^[13]将各时间段各备选酒店各口碑属性评价信息在时间维度上进行集结，可得到备选酒店A_i针对口碑属性C_j^W的评价值x_ij，其计算公式为

(14)

接着利用偏好函数P(x_ij, x_i′j)→(0, 1)确定两个节点之间针对口碑属性C_j^W的有向边及其指向关系.偏好函数的定义为

(15)

其中，i, i′=1, 2, …, m，i≠i′，j=1, 2, …, n.
在式(15)的偏好函数中，当x_ij-x_i′j>0时，针对口碑属性C_j^W，酒店A_i优于酒店A_i′，此时P(x_ij, x_i′j)=1，即存在一条由酒店A_i′指向酒店A_i的有向边；当x_ij-x_i′j≤0时，针对口碑属性C_j^W，酒店A_i劣于或等于酒店A_i′，此时P(x_ij, x_i′j)=0，则针对口碑属性C_j^W不存在一条由酒店A_i指向酒店A_i′的有向边.依据偏好函数可以确定每个口碑属性下备选酒店之间的两两比较关系，接着利用式(16)可计算针对属性C_j^W的各有向边权重(权重越大，酒店A_i越优于酒店A_i′)：

(16)

进一步地，可计算针对口碑属性集C^W={C₁^W, C₂^W, …, C_n^W}的有向边的权重(权重越大，针对口碑属性集C^W={C₁^W, C₂^W, …, C_n^W}，酒店A_i越优于酒店A_i′)，计算公式为

(17)

2.2 基于PageRank算法的备选酒店排序值的计算在基于PageRank算法求解有向加权图中的备选酒店排序值时，可将决策者视为一个随机的冲浪者，决策者先随机选择一个备选酒店，接着遵循有向边的链接继续选择下一个备选酒店，链接指向的备选酒店一定在某个口碑属性上优于链接指出的备选酒店.假设决策者有σ的概率按照有向图的链接搜索.依据文献[14]，酒店A_i的PageRank值R(A_i)(即排序值)计算公式为

(18)

记w=[w(A₁), w(A₂), …, w(A_m)]^T，R=[R(A₁), R(A₂), …, R(A_m)]^T，令1，则式(18)可以进一步写成矩阵的形式：

(19)

其中，M为转移矩阵，表示决策者从一个备选酒店转到另一个口碑属性表现更好的备选酒店的可能性(即有向边权重)，

(20)

为了方便计算，可将式(19)进一步改写为

(21)

其中，B =(1-σ)× w×I^T+σ× M，I^T=[1, 1, …, 1]_1×m.由于R是矩阵B的特征向量^[15]，因此可以通过Matlab 2020a求解得到R(A_i)的值.最后，依据R(A_i)的大小对备选酒店进行排序，可选择出最佳合作酒店.
3 实例分析第19届亚运会将于2023年9月在杭州召开，届时将有来自全国乃至全世界的游客亲临现场观看赛事，这对旅游业来说是前所未有的机遇和挑战.在本节中，以旅行社在杭州选择合作酒店为例，说明本文提出的考虑需求属性信息和口碑发展趋势的酒店合作伙伴选择方法的应用.亚运会主场馆横跨萧山区和滨江区，假设某旅行社借亚运会在杭州召开这个契机，拟在杭州的萧山区或滨江区的五星级/豪华型酒店中寻找一家酒店进行长期合作，通过初步调查将滨江区和萧山区5家五星级/豪华型酒店作为备选酒店，分别为杭州洲际酒店(A₁)、杭州康莱德酒店(A₂)、杭州泛海钓鱼台酒店(A₃)、杭州钱江新城万豪酒店(A₄)和杭州滨江银泰喜来登大酒店(A₅)，并通过查阅飞猪旅行网，收集到这5家备选酒店有关其关注的价格(C₁^D)、距主场馆的距离(C₂^D)和房间面积(C₃^D)的需求属性的信息，以及2020年10月1日至2021年9月30日这5家备选酒店有关清洁程度(C₁^W)、地理位置(C₂^W)、服务体验(C₃^W)和性价比(C₄^W)的口碑属性的在线评价信息.由于本文考虑了口碑的发展趋势对决策结果的影响，这里以3个月为一个时间段，将口碑信息分为4个时间段进行决策，表 2和表 3分别是这5家备选酒店各时间段的在线评价数量和需求属性信息.为了辅助旅行社进行合作酒店选择，下面给出基于本文方法的主要计算过程及结果.
表 2(Table 2)

表 2 4个时间段5家备选酒店关于4个口碑属性的在线评价数量Table 2 Number of online reviews of 4 e-WOM attributes for 5 alternative hotels under 4 time stages 备选酒店 t=1 t=2 t=3 t=4 C1W C2W C3W C4W C1W C2W C3W C4W C1W C2W C3W C4W C1W C2W C3W C4W A1 33 33 33 33 15 15 15 15 37 37 37 37 31 31 31 31 A2 39 39 39 39 37 37 37 37 80 80 80 80 129 129 129 129 A3 39 39 39 39 59 59 59 59 133 133 133 133 201 201 201 201 A4 236 236 236 236 151 151 151 151 210 210 210 210 282 282 282 282 A5 173 173 173 173 142 142 142 142 75 75 75 75 108 108 108 108

表 2 4个时间段5家备选酒店关于4个口碑属性的在线评价数量 Table 2 Number of online reviews of 4 e-WOM attributes for 5 alternative hotels under 4 time stages

表 3(Table 3)

表 3 5家备选酒店关于3个需求属性的信息Table 3 The three demand attributes information for 5 alternative hotels 备选酒店 C1D/元 C2D/km C3D/m2 A1 1 087 4.6 50 A2 1 379 4.0 50 A3 1 324 4.9 60 A4 1 075 4.8 46 A5 969 6.6 45

表 3 5家备选酒店关于3个需求属性的信息 Table 3 The three demand attributes information for 5 alternative hotels

1) 基于需求属性信息确定有向加权图的节点权重.依据式(1)将决策矩阵规范化为A^*=[a_iq^*]_m×p，接着依据式(2)和式(3)确定有向加权图的节点权重，在本文中，ω₁^D，ω₂^D和ω₃^D取平均权重1/3，计算结果为w(A₁)=0.206 9，w(A₂)=0.202 6，w(A₃) =0.203 4，w(A₄)=0.199 5，w(A₅)=0.187 6.
2) 基于口碑确定有向加权图的有向边及其权重.首先依据式(4)~式(7)计算第t时间段备选酒店A_i关于口碑属性C_j^W的评价结果，可得时序立体决策矩阵如表 4所示.
表 4(Table 4)

表 4 时序立体决策矩阵Table 4 Timing stereoscopic decision-making matrix 备选酒店 t=1 t=2 C1W C2W C3W C4W C1W C2W C3W C4W A1 4.787 9 4.787 9 4.666 7 4.727 3 4.733 3 4.733 3 4.733 3 4.733 3 A2 4.948 7 4.974 4 4.820 5 4.641 0 4.918 9 4.973 0 4.945 9 4.756 8 A3 4.974 4 5.000 0 4.794 9 4.743 6 4.661 0 4.678 0 4.559 3 4.525 4 A4 4.805 1 4.851 7 4.605 9 4.580 5 4.807 9 4.907 3 4.781 5 4.728 5 A5 4.774 6 4.797 7 4.670 5 4.664 7 4.788 7 4.831 0 4.507 0 4.535 2 备选酒店 t=3 t=4 C1W C2W C3W C4W C1W C2W C3W C4W A1 4.864 9 4.945 9 4.837 8 4.729 7 4.774 2 4.903 2 4.709 7 4.709 7 A2 4.900 0 4.887 5 4.712 5 4.562 5 4.713 2 4.860 5 4.573 6 4.565 9 A3 4.774 4 4.789 5 4.609 0 4.714 3 4.815 9 4.840 8 4.696 5 4.711 4 A4 4.838 1 4.852 4 4.771 4 4.685 7 4.900 7 4.936 2 4.861 7 4.790 8 A5 4.746 7 4.733 3 4.560 0 4.600 0 4.740 7 4.675 9 4.537 0 4.546 3

表 4 时序立体决策矩阵 Table 4 Timing stereoscopic decision-making matrix

然后计算时间权重，假设决策者较重视近期的评价，根据表 1，λ取0.3，依据式(8)~式(10)计算时间权重，结果为μ₁=0.098 4，μ₂=0.164 7，μ₃=0.275 6，μ₄=0.461 4.依据式(11)计算各备选酒店各口碑属性的时间权重的修正系数，并通过式(12)和式(13)得到归一化后的各备选酒店各口碑属性修正的时间权重.本文中α取0.5，即考虑决策者认为横向、纵向发展趋势同等重要.各备选酒店各口碑属性的时间权重计算结果如表 5所示.通过式(14)计算得到各备选酒店各口碑属性的评价值，如表 6所示.依据式(15)的偏好函数判断2个节点之间针对各口碑属性是否存在有向边并确定有向边的指向，并依据式(16)和式(17)可得到有向边权重，分别为w(A₁, A₂)=0.170 3；w(A₁, A₃)= 0.257 6；w(A₁, A₅)=0.255 3；w(A₂, A₁)=0.192 2；w(A₂, A₃)=0.2；w(A₂, A₅)=0.210 7；w(A₃, A₁)=0.001 8；w(A₃, A₂)=0.062 4；w(A₃, A₅)=0.179 4；w(A₄, A₁)=0.805 9；w(A₄, A₂)= 0.767 2；w(A₄, A₃)=0.542 3；w(A₄, A₅)=0.354 5.图 1为5个备选酒店的有向加权图.
表 5(Table 5)

表 5 各备选酒店各电子口碑属性的时间权重Table 5 Time weight of each e-WOM attribute for each alternative hotel 时间 A1 A2 A3 C1W C2W C3W C4W C1W C2W C3W C4W C1W C2W C3W C4W t=1 0.098 4 0.098 0 0.098 5 0.098 5 0.099 3 0.098 7 0.099 4 0.098 7 0.098 3 0.098 3 0.098 1 0.098 2 t=2 0.164 5 0.163 7 0.166 1 0.165 1 0.166 4 0.165 7 0.168 7 0.167 4 0.159 7 0.159 5 0.160 1 0.160 6 t=3 0.278 9 0.280 4 0.279 1 0.275 8 0.277 0 0.273 9 0.271 9 0.270 7 0.278 1 0.278 5 0.276 6 0.280 7 t=4 0.458 2 0.457 9 0.456 3 0.460 7 0.457 3 0.461 7 0.460 0 0.463 1 0.463 9 0.463 7 0.465 2 0.460 4 时间 A4 A5 C1W C2W C3W C4W C1W C2W C3W C4W t=1 0.097 9 0.098 0 0.097 6 0.097 7 0.098 4 0.098 8 0.098 5 0.098 7 t=2 0.164 6 0.165 5 0.166 5 0.166 3 0.165 6 0.166 5 0.162 0 0.163 0 t=3 0.274 6 0.272 9 0.273 3 0.272 6 0.273 9 0.273 9 0.277 8 0.278 4 t=4 0.463 0 0.463 6 0.462 6 0.463 3 0.462 1 0.460 7 0.461 6 0.459 9

表 5 各备选酒店各电子口碑属性的时间权重 Table 5 Time weight of each e-WOM attribute for each alternative hotel

表 6(Table 6)

表 6 各备选酒店各电子口碑属性的评价值Table 6 Evaluation value of each e-WOM attribute for each alternative hotel 备选酒店 C1W C2W C3W C4W A1 4.793 9 4.875 5 4.744 8 4.720 8 A2 4.821 5 4.897 5 4.696 7 4.603 8 A3 4.794 6 4.815 5 4.659 5 4.685 0 A4 4.858 7 4.900 1 4.798 1 4.730 8 A5 4.753 6 4.729 1 4.551 5 4.571 0

表 6 各备选酒店各电子口碑属性的评价值 Table 6 Evaluation value of each e-WOM attribute for each alternative hotel

图 1(Fig. 1)

图 1 5个备选酒店的有向加权图Fig.1 Directed weighted graph for 5 alternative hotels

3) 基于PageRank算法计算各备选酒店排序值并进行优选.根据1)和2)中有向加权图的节点权重和有向边权重的计算结果，可以确定式(19)中的参数w和M，分别为
根据文献[15]，这里σ取0.85，通过Matlab 2020a计算式(21)中的矩阵B，并求解矩阵B的特征向量，归一化后可得到各备选酒店的排序值R(A_i)，分别为R(A₁)=0.157 3，R(A₂)=0.151 3，R(A₃)=0.088 1，R(A₄)=0.550 5，R(A₅)=0.052 8.
因此，5家备选酒店的排序结果为，旅行社可以考虑与杭州钱江新城万豪酒店(A₄)进行合作.
为了说明本文所提方法的有效性，将本文的方法与文献[6]和文献[10]的方法进行对比分析.
文献[6]针对基于在线评价信息的酒店选择问题，首先将在线评价信息转化为语言分布的形式，并提出了语言分布的比较规则及语言分布间的距离公式，然后结合VIKOR法对备选酒店进行排序.与本文不同的是，文献[6]以备选酒店的在线评价信息为数据源，结合改进的VIKOR法对备选酒店进行优选，而本文考虑了口碑发展趋势对酒店选择的影响.为了保证结果具有可比性，本文将其4个评价属性权重设定为平均权重1/4，利用文献[6]的方法基于本文实例数据计算出的5家备选酒店的群体效用值U_i、个体遗憾值R_i和与理想酒店的接近系数Q_i值，如表 7所示.
表 7(Table 7)

表 7 5家备选酒店的Ui, Ri和Qi值Table 7 Values of Ui, Ri and Qi for 5 alternative hotels 备选酒店 Ui Ri Qi A1 0.235 3 0.169 1 0.371 6 A2 0.562 6 0.248 5 0.907 3 A3 0.649 1 0.228 7 0.923 5 A4 0.105 5 0.085 9 0 A5 0.666 7 0.166 7 0.748 3

表 7 5家备选酒店的Ui, Ri和Qi值 Table 7 Values of Ui, Ri and Qi for 5 alternative hotels

文献[10]针对基于在线评价的酒店选择问题，将不同时间段备选酒店关于各属性的在线评价信息转化为概率语言术语集形式，结合决策者给出的发展速度建立了满意度函数，提出了一种基于在线评价信息的多阶段多属性决策方法，并将其应用于酒店选择.与文献[10]方法相比，本文提出的方法综合考虑了备选酒店的需求属性信息及口碑发展趋势对酒店选择的影响.由文献[10]提出的方法计算得到的本文中5家备选酒店的效用值分别为U₁=0.070 1，U₂=-0.010 6，U₃=-0.040 0，U₄=0.028 0，U₅=-0.111 0.
表 8为依据文献[6]、文献[10]和本文提出的方法计算得到的5家备选酒店的排序结果.通过表 8可以看出，这3种方法的排序结果的主要趋势基本一致，进一步验证了本文所提方法的可行性.但也可以看到，这3种方法确定的结果也存在差异：①由于VIKOR法的限制，文献[6]无法进一步判断A₂，A₃，A₅的具体顺序，但通过Q_i值可以发现酒店A₅要优于酒店A₂和A₃.本文所提方法的计算结果却显示酒店A₂和A₃要优于酒店A₅，产生差异的原因可能在于，文献[6]对各时间段的在线评价数据没有偏好，而本文考虑了口碑发展趋势对酒店选择结果的影响；②依照文献[10]所提方法的计算结果显示，排在前两名的备选酒店为A₁和A₄，排在后三位的备选酒店为A₂，A₃和A₅，这与本文计算的结果一致.但通过这两种方法计算得出的最优酒店略有不同，原因可能在于，文献[10]仅考虑了在线评价对酒店选择的影响，忽略了决策者对需求属性的关注.通过上述对比分析可知，本文提出的方法兼顾了备选酒店的需求属性信息和口碑的发展趋势，与现有方法相比更有针对性.
表 8(Table 8)

表 8 3种方法排序结果对比Table 8 Comparison results of the three methods 方法 排序结果 Yu等[6]方法 Zhang等[10]方法 本文方法

表 8 3种方法排序结果对比 Table 8 Comparison results of the three methods

4 结语本文提出了一种考虑需求和电子口碑的决策方法，用于解决酒店合作伙伴选择问题.考虑到决策者选择合作伙伴时，会关注备选酒店的需求属性信息，也会比较各备选酒店的口碑发展趋势，本文构建了一个基于备选酒店需求属性信息和口碑的有向加权图，并在确定有向边权重时，考虑了备选酒店口碑的发展趋势.本文提出的方法为解决旅行社选择酒店合作伙伴问题提供了一种新思路，该方法也同样适用于其他考虑需求和口碑的合作伙伴选择问题.本文的局限性在于，只考虑了在线评价信息，今后的研究中可以综合考虑在线评价信息和在线文本评论信息.
参考文献

[1]	Fang B, Ye Q, Kucukusta D, et al. Analysis of the perceived value of online tourism reviews: Influence of readability and reviewer characteristics[J]. Tourism Management, 2016, 52: 498-506. DOI:10.1016/j.tourman.2015.07.018
[2]	Li M Y, Zhao X J, Zhang L, et al. Method for product selection considering consumer's expectations and online reviews[J]. Kybernetes, 2021, 50(9): 2488-2520. DOI:10.1108/K-07-2020-0432
[3]	Wu C, Barnes D. An integrated model for green partner selection and supply chain construction[J]. Journal of Cleaner Production, 2016, 112: 2114-2132. DOI:10.1016/j.jclepro.2015.02.023
[4]	Buyukozkan G, Gocer F. A novel approach integrating AHP and COPRAS under Pythagorean fuzzy sets for digital supply chain partner selection[J]. IEEE Transactions on Engineering Management, 2019, 68(5): 1486-1503.
[5]	Roy J, Sharma H K, Kar S, et al. An extended COPRAS model for multi-criteria decision-making problems and its application in web-based hotel evaluation and selection[J]. Economic Research-Ekonomska Istra ivanja, 2019, 32(1): 219-253. DOI:10.1080/1331677X.2018.1543054
[6]	Yu S M, Wang J, Wang J Q, et al. A multi-criteria decision-making model for hotel selection with linguistic distribution assessments[J]. Applied Soft Computing, 2018, 67: 741-755. DOI:10.1016/j.asoc.2017.08.009
[7]	Wang J Q, Zhang X, Zhang H Y. Hotel recommendation approach based on the online consumer reviews using interval neutrosophic linguistic numbers[J]. Journal of Intelligent & Fuzzy Systems, 2018, 34(1): 381-394.
[8]	Bi J W, Liu Y, Fan Z P. Representing sentiment analysis results of online reviews using interval type-2 fuzzy numbers and its application to product ranking[J]. Information Sciences, 2019, 504: 293-307. DOI:10.1016/j.ins.2019.07.025
[9]	Nie R X, Tian Z P, Wang J Q, et al. Hotel selection driven by online textual reviews: applying a semantic partitioned sentiment dictionary and evidence theory[J]. International Journal of Hospitality Management, 2020, 88: 102495. DOI:10.1016/j.ijhm.2020.102495
[10]	Zhang C X, Zhao M, Cai M Y, et al. Multi-stage multi-attribute decision making method based on online reviews for hotel selection considering the aspirations with different development speeds[J]. Computers & Industrial Engineering, 2020, 143: 106421.
[11]	Zhao M, Li L Y, Xu Z S. Study on hotel selection method based on integrating online ratings and reviews from multi-websites[J]. Information Sciences, 2021, 572: 460-481. DOI:10.1016/j.ins.2021.05.042
[12]	Yager R R. On ordered weighted averaging aggregation operators in multicriteria decision making[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1988, 18(1): 183-190. DOI:10.1109/21.87068
[13]	郭亚军, 姚远, 易平涛. 一种动态综合评价方法及应用[J]. 系统工程理论与实践, 2007, 27(10): 154-158. (Guo Ya-jun, Yao Yuan, Yi Ping-tao. A method and application of dynamic comprehensive evaluation[J]. Systems Engineering-Theory & Practice, 2007, 27(10): 154-158.)
[14]	陶玲玲, 尤天慧, 袁媛. 基于酒店特征信息和在线评价信息的酒店选择[J]. 东北大学学报(自然科学版), 2019, 40(11): 1667-1672. (Tao Ling-ling, You Tian-hui, Yuan Yuan. Hotel selection based on information of hotel features and online ratings[J]. Journal of Northeastern University(Natural Science), 2019, 40(11): 1667-1672.)
[15]	Scholz M, Pfeiffer J, Rothlauf F. Using PageRank for non-personalized default rankings in dynamic markets[J]. European Journal of Operational Research, 2017, 260(1): 388-401. DOI:10.1016/j.ejor.2016.12.022