《Mathematical and Computational Applications》:Bridging Behavioral and Emotional Intelligence: An Interpretable Multimodal Deep Learning Framework for Customer Lifetime Value Estimation in the Hospitality Industry
Milena Nikoli?,
Marina Marjanovi? and
?arko Ra?enovi?
编辑推荐:
摘要:研究人员提出一种多模态深度学习框架,用于预测酒店业顾客终身价值(Customer Lifetime Value, CLV),通过融合结构化交易记录与非结构化在线评论文本以提升预测精度。原始评论经情感分析转化为情感嵌入(sentiment embeddin
摘要:研究人员提出一种多模态深度学习框架,用于预测酒店业顾客终身价值(Customer Lifetime Value, CLV),通过融合结构化交易记录与非结构化在线评论文本以提升预测精度。原始评论经情感分析转化为情感嵌入(sentiment embeddings)后,研究人员设计三种异常检测机制——情感矛盾评分(sentiment contradiction score, ΔSj)、基于余弦相似度的重复评分(duplication score, ΔCj)及时间异常评分(temporal anomaly score, ΔTj)——识别并剔除极性倒置、近似重复及时间不规则的虚假评论,融合得分超过阈值τ者予以排除。保留评论的情感嵌入与经过最小–最大归一化及扩展RFM(Recency-Frequency-Monetary)框架编码的行为特征向量拼接输入深度神经网络。研究人员在真实酒店预订与评论数据集上通过交叉验证评估模型,结果表明该多模态异常过滤流程在保留90%以上语料的同时有效降低噪声,融合模型较传统仅依赖交易数据的基准模型显著改善CLV预测性能,证明非结构化情感信息与严格数据清洗对服务业CLV建模具有重要价值。
论文解读:多模态情感感知与异常过滤驱动的酒店顾客终身价值(CLV)深度预测模型
一、研究背景与开展原因
顾客终身价值(Customer Lifetime Value, CLV)是服务业客户关系管理(Customer Relationship Management, CRM)的核心指标,传统预测主要依赖交易维度的RFM(Recency-Frequency-Monetary)分析,忽略用户生成内容(User-Generated Content, UGC)中蕴含的情感与态度信息。在线酒店评论常含垃圾内容、机器生成文本、极性矛盾(标题与正文情感相反)及近重复提交,若直接纳入建模将污染多模态隐空间(multimodal latent space)。现有CLV模型少有系统整合文本情感嵌入与严格异常过滤,也缺乏针对酒店业行为特征的扩展RFM工程。为此,研究人员开展本研究,构建融合结构化行为特征与非结构化评论情感嵌入的深度CLV预测框架,并设计多维度异常检测流程净化训练语料,验证多模态信息对CLV预测精度的提升作用及异常过滤的数据保真效果。本文发表于《Mathematical and Computational Applications》。
二、主要关键技术方法
研究基于真实酒店预订记录与配套在线评论语料(customer pseudo-ID via probabilistic matching)。关键技术包括:①评论情感分析——对标题与正文分别做情感打分并归一化至[-1,1],计算情感矛盾分ΔSj=|sjtitle-sjbody|;②重复检测——计算评论句向量vj与其他评论余弦相似度取最大值ΔCj=maxk≠j(vj·vk/‖vj‖‖vk‖);③时间异常——按发帖间隔δj相对全量均值μδ与标准差σδ标准化得ΔTj=|δj-μδ|/σδ,三项min–max缩放后加权融合A(dj)=λ1ΔSj+λ2ΔCj+λ3ΔTj,超参{λ1,λ2,λ3}与阈值τ由训练集交叉验证选定,满足A(dj)>τ的评论被剔除,保留数据集定义为Dclean={dj∈D | A(dj)≤τ};④行为特征工程——为每伪顾客i构造xi(b)=[Ri,Fi,Mi,Li(平均入住时长),Ci(取消率),Pi(价格敏感度),Vi(行为波动率)]并作min–max归一化至[0,1];⑤多模态融合——清洁评论情感嵌入与归一化行为向量拼接输入深度神经网络进行CLV回归/预测,采用交叉验证评估。
三、研究结果
2.4. Anomaly Detection and Filtering Pipeline(异常检测与过滤流程)
研究人员对每条评论计算三项异常指标并融合打分,约10%初始评论因超限被剔除。敏感性分析显示CLV预测性能在合理τ范围内稳定,最终阈值平衡了噪声抑制与语料保留(>90%),证明过滤流程可控且不过拟合。
2.6. Structured Behavioral Feature Engineering(结构化行为特征工程)
在传统RFM基础上加入入住时长(Length of Stay, Li)、取消压力(Cancellation Pressure, Ci)、价格敏感度(Price Sensitivity, Pi)及行为波动(Behavioral Volatility, Vi),并用滚动统计与指数平滑捕捉时序动态z?i(t)=αzi(t)+(1-α)z?i(t-1)。min–max归一化确保所有特征落入[0,1],避免神经网络训练时量纲主导。
下游CLV预测实验(Downstream CLV Prediction Performance)
融合模型(行为特征+情感嵌入,经异常过滤)较仅用RFM的基准模型获得更稳定且显著的CLV预测精度提升;去除异常过滤或去除情感嵌入均导致性能下降,证实多模态融合与严格异常剔除共同贡献于模型效果。
四、讨论与结论
研究人员证实:①酒店评论中约一成属情感矛盾、近重复或时间异常的噪声评论,系统化异常检测可有效识别并移除此类污染而不严重损及样本量;②扩展RFM框架结合评论情感嵌入的多模态深度模型显著优于纯交易数据CLV模型;③融合权重与异常阈值经验证集调优具鲁棒性。该工作为服务业CLV预测提供了可复现的多模态建模范式,强调UGC质量控制在情感感知建模中的必要性,对酒店收益管理与客户细分具有实践指导意义。结论要点为:多模态深度CLV框架辅以情感矛盾、余弦相似度重复检测及时间异常三重过滤,能在保留绝大部分真实语料前提下消除噪声,融合非结构化情感信息可提升酒店业CLV预测准确性。