1. 引言
数字经济时代，旅游业与电子商务的融合日益深化。在线旅游平台(OTA)如携程、去哪儿网等，不仅是旅游产品交易的核心渠道，更汇聚了海量的用户生成内容(UGC)，其中在线评论直接反映了游客的真实体验与满意度，成为极具价值的市场反馈数据源。南京市作为中国重要的旅游目的地，其旅游业发展紧密依赖电子商务平台。因此，从电子商务视角出发，利用大数据文本分析技术挖掘在线评论的价值，对于精准把脉南京旅游发展现状、发现问题、并制定有效的网络营销与管理策略具有紧迫的现实意义。本研究旨在实现从传统旅游管理分析向电子商务与网络营销聚焦的范式转变，为南京及其他类似旅游城市在数字时代的竞争力提升提供新思路。
2. 文献综述与理论基础
2.1. 旅游电子商务与在线评论
旅游电子商务是指通过互联网和数字技术进行旅游产品与服务交易、营销及管理的商业活动(边伟，2025) [1]。在线评论作为旅游电子商务生态中的重要组成部分，是游客在消费后于网络平台上发布的关于产品、服务及体验的评价、意见和情感表达(陈洁&王亚鹏，2023) [2]。它具有真实性、即时性、海量性和非结构化等特点，是研究消费者满意度与行为的宝贵数据矿藏(张政，2020) [3]。近年来，随着电子商务在旅游领域的深入应用，越来越多的学者开始基于在线评论数据展开实证研究。例如，尚建文(2023) [4]以多城市为例，系统分析了在线评论在诊断城市旅游满意度中的实际价值；赵文博等(2022) [5]则通过对长岛旅游在线评论的文本挖掘，揭示了自然类景区游客满意的关键构成维度。这些研究均表明，在线评论不仅反映了游客的真实体验，也为旅游电子商务的运营优化提供了数据支撑。
2.2. 在线评论对消费者行为及满意度的影响
根据信息采纳模型和信任理论，高质量的在线评论能显著降低消费者的感知风险，影响其购买决策(Gretzel & Yoo, 2008) [6]。Parasuraman等(1985) [7]的服务质量差距模型指出，满意度源于期望与感知绩效的比较。在电商环境中，在线评论塑造了潜在游客的期望，而实际体验与之对比的结果直接决定了其满意度(Gretzel & Yoo, 2008) [6]。多项实证研究进一步验证了这一机制。例如，张政(2020) [3]基于携程评论的文本挖掘发现，导游服务、行程安排和价格感知是影响旅游满意度的核心因素；吴大放等(2023) [8]以广东科学中心为例，指出在线评论中游客对配套设施与互动体验的负面评价直接拉低了整体满意度。王祚(2023) [9]从泰国游客视角分析成都景点形象，发现文化差异下的期望不一致是导致满意度分化的重要原因。
此外，在线评论的情感倾向本身也成为研究焦点。李亚红、徐富明[10] (2017)通过心理学视角发现，物质主义价值观会通过满意度中介影响用户在评论中的情感表达。钟科等(2025) [11]则聚焦酒店评论，论证了功能词与享乐词在反映消费者感受时的差异，为电商平台优化评论指标体系提供了理论依据。在营销策略层面，王晓艺(2025) [12]提出基于大数据的精准营销可借助评论情感分析识别客户需求；边伟(2025) [1]强调电子商务环境下的旅游营销需紧密结合在线评论所揭示的消费行为特征。陈洁、王亚鹏(2023) [2]以及王晓玲(2023) [13]分别以携程和飞猪为案例，论证了网络营销策略如何依托UGC (用户生成内容)提升品牌信任与转化率。李太峰(2020) [14]在“互联网+”背景下进一步提出，县域旅游企业应充分利用在线评论进行本地化营销创新。
基于服务质量差距模型，本研究构建如下理论框架(见图1)，用以分析在线评论中反映的各类差距，从而系统性地诊断旅游满意度问题：
Figure 1. Theoretical framework
图1. 理论框架
3. 研究设计与数据来源：基于电商平台的方法
3.1. 数据采集与预处理(电商平台数据爬取)
本研究严格遵循电子商务研究的数据获取范式，采用Python编写的网络爬虫程序，结合Requests库和BeautifulSoup解析库，从中国两大主流旅游电商平台——携程旅行网和去哪儿网——抓取关于南京市旅游产品的用户评论。从2023年9月1日至2024年9月1日，以获取跟团游项目的在线评论数据为目的。
数据爬取与清洗的具体步骤如下：
1) 目标页面识别与爬取：确定携程和去哪儿网上南京跟团游产品的列表页和详情页URL模式，爬虫程序模拟浏览器请求，遍历列表页并进入详情页抓取评论数据。爬取字段包括：用户昵称(匿名化处理)、评论内容、评分、评论时间。
2) 初步数据汇总：初始爬取获得携程网评论1412条，去哪儿网评论1060条，合计2472条原始数据。
3) 数据清洗与去重：
格式统一：将所有评论文本转换为标准简体中文，统一日期和时间格式。
去除空白与无效内容：删除无评论内容(仅评分)或内容为纯符号、乱码的条目，共去除32条。
去除无关信息：删除评论中的图片链接、广告语、系统自动生成的固定文本等。
去除重复评论：基于评论内容、用户ID和时间戳进行去重，去除明显重复或高度相似的评论18条。
去除无效语气词：过滤掉如“6666！”、“好好好好好”、“赞赞赞”、“哈哈哈”等不具分析价值的语气词评论，但保留在具体评价语境中的此类词汇。
文本修正：使用正则表达式和人工核对，修正明显的错别字，并统一核心词汇表述(如将“南博”统一为“博物院”)。
4) 最终有效数据集：经过上述清洗步骤，最终得到1959条有效评论数据用于后续分析部分评论示例如下表1所示。
Table 1. Partial online reviews
表1. 部分在线评论
序号 |
评分值 |
评论 |
1 |
5星好评 |
这趟南京挺友好的。到达目的地，桔子酒店玄武店的前台看我们不包早餐，给我们优惠价格升级包早餐[愉快] [愉快] [愉快]，早餐种类也还行，房间也很安静，隔音效果很好，床垫也很舒服。每天都有可乐和雪碧，机器人送物品很及时，然后携程这边安排也挺顺畅，无缝接送车，行程不累。中途请的导游也很负责尽心讲解，我觉得以后历史名城还是应该请个导游，重温历史，增进知识，还是很不错的，唯一不满意的就是来去的飞机又是换机型又是改时间点，提前选座也没用。 |
2 |
3.7中评 |
没配导游，又不说清楚，明明是跟团游。居然没导游，反传统。坑人啊。酒店服务不错，司机小哥服务也很好。 |
3 |
5星好评 |
旅行社行程安排合理，玩得开心。王刚导游非常热情，知识丰富，讲解耐心细致，对游客非常负责任，司机师傅驾驶技术娴熟，开车稳当，酒店干净整洁舒适。 |
4 |
4星好评 |
还行，就是有点赶场，有一次差点走丢，住得还可以，吃得太一般 |
5 |
3星中评 |
时间很紧凑，时间安排上面太不合理。有2天基本是浪费的。旅游景点走马观花。 |
6 |
0分/不满意 |
导游比兔子还慢，司机比乌龟还慢，酒店至少过三个高速收费口，行程安排很不合理。 |
7 |
10分/非常满意 |
蒋导很负责，安排时间也很合理，玩得很开心，酒店环境好。 |
8 |
9分/满意 |
线路安排比较好，酒店条件也比较好，因为我们住的酒店比较远，希望套餐有送机服务，可以添加一个可选择的套餐，让游客自己选择。 |
清洗理由说明：上述清洗步骤旨在去除噪声数据，确保文本挖掘和情感分析的质量。去除的条目主要为非文本内容、重复提交、以及无法表达有效观点和情感的碎片化文本，从而保证分析对象的纯粹性和有效性。
3.2. 电子商务数据分析方法(文本挖掘与情感分析)
高频词及本研究采用ROST Content Mining (CM) 6.0软件进行文本挖掘与情感分析。以下对关键分析方法的底层逻辑进行说明，以增强研究的透明度和可复现性。
高频词分析：ROST CM6通过中文分词技术(基于词典与统计模型相结合)对评论进行分词，然后统计词频。通过去停用词(如“的”、“了”等无实义词)后，提取高频词，识别游客关注的核心要素(如表2所示)。
Table 2. The top 100 high-frequency words
表2. 前100名高频词汇一览表
高频词 |
词频 |
词性 |
高频词 |
词频 |
词性 |
导游 |
1292 |
名词 |
实惠 |
60 |
代词 |
讲解 |
583 |
动词 |
照顾 |
59 |
动词 |
行程 |
541 |
名词 |
景区 |
57 |
名词 |
南京 |
520 |
名词 |
一日游 |
56 |
名词 |
安排 |
514 |
动词 |
价格高 |
54 |
形容词 |
景点 |
400 |
名词 |
热心 |
54 |
形容词 |
服务 |
393 |
名词 |
充实 |
53 |
形容词 |
满意 |
296 |
形容词 |
整体 |
52 |
名词 |
酒店 |
253 |
名词 |
方便 |
49 |
名词 |
时间 |
215 |
名词 |
贴心 |
48 |
形容词 |
合理 |
212 |
形容词 |
博物院 |
47 |
名词 |
热情 |
211 |
形容词 |
性价比 |
46 |
名词 |
旅行 |
207 |
名词 |
文化 |
46 |
名词 |
开心 |
163 |
形容词 |
出游 |
46 |
名词 |
旅游 |
154 |
名词 |
旅途 |
45 |
名词 |
耐心 |
146 |
形容词 |
老人 |
45 |
名词 |
愉快 |
145 |
形容词 |
选择 |
44 |
动词 |
体验好 |
144 |
名词 |
消费高 |
43 |
名词 |
感谢 |
131 |
动词 |
孩子 |
43 |
名词 |
周到 |
128 |
形容词 |
小时 |
42 |
名词 |
到位 |
126 |
形容词 |
遇到 |
41 |
动词 |
认真 |
123 |
形容词 |
建议 |
41 |
动词 |
这次 |
120 |
代词 |
性价比低 |
40 |
名词 |
全程 |
119 |
名词 |
预约 |
40 |
名词 |
态度好 |
115 |
名词 |
旅程 |
39 |
名词 |
游玩 |
112 |
动词 |
风景美 |
39 |
形容词 |
细致 |
104 |
形容词 |
环境差 |
38 |
名词 |
热闹 |
104 |
名词 |
偏远 |
38 |
代词 |
好玩 |
101 |
形容词 |
师傅 |
37 |
名词 |
幽默 |
96 |
形容词 |
一路 |
37 |
名词 |
历史 |
96 |
名词 |
朋友 |
37 |
名词 |
中山陵 |
96 |
名词 |
耐心 |
36 |
形容词 |
详细 |
95 |
形容词 |
总统府 |
36 |
名词 |
值得 |
95 |
动词 |
报恩寺 |
35 |
名词 |
还来 |
93 |
代词 |
干净 |
35 |
动词 |
细心 |
90 |
形容词 |
太赶了 |
34 |
动词 |
丰富 |
87 |
形容词 |
古都 |
34 |
名词 |
购物 |
84 |
名词 |
体验差 |
33 |
名词 |
推荐 |
82 |
名词 |
集合 |
33 |
动词 |
紧凑 |
80 |
形容词 |
五星 |
33 |
名词 |
游客 |
78 |
名词 |
景点美 |
33 |
形容词 |
住宿 |
73 |
名词 |
渊博 |
32 |
代词 |
风趣 |
73 |
动词 |
参观 |
32 |
动词 |
地方 |
73 |
名词 |
失望 |
32 |
名词 |
早餐 |
68 |
名词 |
太坑了 |
31 |
形容词 |
夫子庙 |
66 |
动词 |
再来 |
31 |
形容词 |
司机 |
65 |
名词 |
解说 |
31 |
形容词 |
旅行社 |
64 |
名词 |
拥挤 |
30 |
形容词 |
不错 |
62 |
形容词 |
混乱 |
30 |
名词 |
值得 |
61 |
名词 |
人多 |
30 |
名词 |
此外，运用词云图(见图2)以及游客关注点总结(见表3)，更清晰地体现出游客的关注焦点。词云图以图形化的方式展示高频词，字体大小与词频成正比，使得核心关注点一目了然。例如，在南京旅游的在线评论词云图中，“导游”、“酒店”、“行程安排”等词汇可能以较大字体呈现，直观反映出这些是游客最为关心的方面。
Figure 2. Cloud map of tourist satisfaction comments in Nanjing
图2. 南京市旅游满意度评论词云图
Table 3. Focus of tourists’ attention
表3. 游客关注重点
主要方面 |
关键词 |
旅游吸引物 |
南京、景点、中山陵、风景美、景点美、夫子庙、历史、博物院、古都 |
服务质量 |
导游、服务、热情、耐心、贴心、周到、态度好、细心、照顾、认真 |
游玩体验 |
行程、旅行、愉快、体验好、开心、游玩、满意、全程、再来、一日游、值得 |
性价比 |
性价比、性价比低、实惠、价格高、不错、推荐、消费高、太坑了 |
配套设施 |
酒店、五星、购物、早餐、司机 |
3.2.1. 社会网络和语义分析
为了深入挖掘文本数据中的关键信息，本文采用了ROST Content Mining软件对文本中的高频词进行了分析。通过这一软件，能够识别并理解文本中出现频率较高的词汇，这对于理解文本的主旨和重点至关重要。进一步地，利用ROST Content Mining软件的Net Draw功能来处理和分析数据(见图3)。ROST CM6首先构建共词矩阵，计算高频词在同一语境(如一个句子或一个固定窗口)中共同出现的频率。然后，利用NetDraw工具，基于共词矩阵绘制社会语义网络图。图中节点大小代表词频高低，连线粗细代表共现强度。该分析基于图论原理，可视化展示概念间的关联结构，核心算法在于计算和可视化节点(词汇)与边(关系)的网络。
Figure 3. Social semantic network diagram
图3. 社会语义网络图
3.2.2. 情感倾向分析
ROST CM6的情感分析主要基于情感词典(Sentiment Lexicon)方法。其内置一个包含大量积极、消极情感词及强度权重的词典。分析时，软件对每条评论进行分词，然后匹配情感词典中的词条，并累加情感词的情感值(积极为正，消极为负)，同时考虑否定词、程度副词等修饰词对情感强度的调节作用，最终计算出每条评论的情感倾向值(积极、中性、消极)及强度分段。该方法虽不涉及复杂的机器学习模型，但在处理大规模通用领域文本时具有稳定性和可解释性。
1) 分析步骤：首先进行数据清洗，将导入ROST CM6的txt文件进行预处理，去除无关字符和标点符号，确保文本数据的质量。其次进行情感分析，使用ROST CM6软件进行情感倾向分析，区分出积极、中性、消极的情感内容。下表显示了南京旅游城市满意度的情感倾向(见表4)，部分不同程度情感情绪的评论见表5所示。
Table 4. Analysis of emotional tendencies in Nanjing urban tourism
表4. 南京城市旅游情感倾向分析表
总体情感分析结果 |
积极情绪： |
1663条 |
84.89% |
中性情绪： |
5条 |
0.26% |
消极情绪： |
291条 |
14.85% |
积极情绪分段统计结果 |
一般(0~10)： |
445条 |
22.72% |
中度(10~20)： |
386条 |
19.70% |
高度(20以上)： |
832条 |
42.47% |
消极情绪分段统计结果 |
一般(−10~0)： |
196条 |
10.00% |
中度(−20~−10)： |
48条 |
2.45% |
高度(−20以下)： |
47条 |
2.40% |
Table 5. Examples of comments by each section
表5. 各分段评论举例
情绪类型 |
评论举例 |
一般积极情绪(9) |
老门东的烤饼包羊肉好吃，尚导推荐的不错，旁边店的鸭血粉丝等小吃就算了，我已经踩过雷了。 |
中度积极情绪(12) |
这个路线如果喜欢人文的朋友是不错的选择。 |
高度积极情绪(79.2) |
此次南京之行总体感觉不错，领略了南京城的主要风景点。南京历史底蕴深厚，值得一去。旅行社安排得也挺不错，导游程焰松知识储备很是丰富，敬业精神也值得敬佩。值得推荐。 |
中性情绪(0) |
节假日的原因人流量大，如果非节假日可能体验感更好。 |
一般消极情绪(−4.6) |
导游人很好，就是酒店离得太远，早上又堵车。 |
中度消极情绪(−14) |
住宿的地方不错，旅游旺季时，建议一人一耳机，离开导游一米外，几乎听不到声音了，再加上其他的导游声传来，简直是噪音一片。住宿的地方不错，旅游旺季时，建议一人一耳机，离开导游一米外，几乎听不到声音了，再加上其她的导游声传来，简直是噪音一片。 |
高度消极情绪(−48.4) |
极差，导游差，服务差，态度差，行程差，投诉了光打电话来就是解决不了问题，提前了那么多天还没约到博物院。这是有史以来携程上订旅游最差的一次。 |
2) 分析过程：在数据清洗阶段，本文关注文本数据的格式和质量，确保分析结果的准确性。在情感分析阶段，根据软件提供的分类结果，对这些评论的情感倾向进行统计分析，部分积极、消极高频词见表6所示。
Table 6. Enumeration of positive and negative high-frequency words
表6. 积极、消极高频词列举
词类 |
具体高频词 |
积极高频词 |
导游(1182)；行程(471)；景点(324)；服务(256)；酒店(226)；旅行(201)；热情(171)；专业(137)；旅游(113)；游玩(109)；全程(105)；细心(89)；历史(87)；认真负责(86)；风趣(76)；购物(70)；住宿(69)；早餐(65)；游客(59)；司机(58)；服务态度(56)；夫子庙(50)；出游(47)；热心(47)；携程(44)；责任心(43)；性价比(42)；态度(41)；景区(40)；旅行社(39) |
消极高频词 |
导游(195)；景点(87)；行程(75)；信息(60)；预约(50)；性价比(50)；酒店(40)；人多(30)；旅行社(26)；服务(23)；专业(22)；偏远(20)；价格(19)；景区(19)；总统府(15)；携程(14)；自费(14)；消费(14)；夫子庙(14)；购物(14)；态度(12)；上车(12)；全程(12)；旅行(11)；孩子(11)；不合理(11)；拥挤(11)；混乱(10)；参观(10)；体验(10)；历史(10)；司机(10)；小孩(10)；纪念馆(10)；早餐(9)；排队(9)；团队(9)；老人(9) |
4. 研究发现与数据分析
4.1. 在线评论高频词与语义网络分析
高频词分析结果显示，游客评论集中于“导游”、“服务”、“行程”、“景点”、“价格”、“性价比”等核心维度。这表明在电子商务情境下，游客的评价焦点全面覆盖了从服务交互、产品内容到成本价值的整个消费旅程。
语义网络分析进一步揭示了这些要素间的复杂关联。如图2所示，“导游”与“服务”、“热情”、“讲解”等词紧密相连，“景点”与“历史”、“美”等词关联，而“价格”则常与“高”、“性价比”等词共存。该网络清晰地勾勒出基于电商平台反馈的游客满意度认知结构，其中“服务”和“价格”是连接多个评价维度的中枢节点。
“导游”、“服务”、“行程”等高频词及其与“热情”、“耐心”、“合理”等词的强关联，直接反映了游客对服务交付过程(差距3)的高度关注。积极关联表明服务标准得到较好执行，而消极评论则揭示了交付差距的存在，如导游不专业、行程安排不合理。
“价格”、“性价比”、“消费高”等词汇的频繁出现及其负面关联，强烈指向沟通差距(差距4)。这表明电商平台的促销信息可能抬高了游客对“实惠”的期望，而实际价格或价值感知未能匹配，导致满意度下降。
“景点”、“历史”、“博物院”等词汇反映了游客的核心期望，管理者可通过这些高频词准确把握游客真实期望(差距1)，避免认知偏差。
4.2. 游客满意度情感倾向分析
情感分析是电子商务中衡量客户满意度的重要指标。对本研究样本的情感分析结果显示：
积极情绪评论：1663条，占比84.89%。这表明大部分通过电商平台预订旅游产品的游客对南京的整体体验感到满意，奠定了南京旅游电商业务的良好基础。
消极情绪评论：291条，占比14.85%。尽管占比较小，但这部分评论具体揭示了服务短板和体验痛点，对于改进和营销危机公关具有极高价值。消极情绪具体指向：导游专业性不足、服务响应慢、价格偏高、景区拥挤、预约困难、住宿位置偏远等。这些问题直接影响了通过电商渠道购票游客的复购率和推荐意愿。
高比例的积极情绪(84.89%)表明，从整体上看，游客的期望与感知体验之间的差距(差距5)较小，南京旅游在电商渠道上获得了基本认可。
消极情绪(14.85%)则是差距5的直接负面体现。这些评论是诊断其他差距(如差距3——交付差距、差距4——沟通差距)根源的关键线索。例如，“导游专业性不足”属于交付差距(差距3)；“价格偏高”与“预约困难”可能涉及标准差距(差距2，如预约系统容量标准)和沟通差距(差距4，如宣传的便捷性与实际不符)。
4.3. 电子商务视角下南京旅游存在的主要问题
4.3.1. 线上服务承诺与线下体验脱节(沟通差距)
电商平台宣传的“优质服务”与游客实际感受到的导游专业度低、服务不周存在差距，影响电商平台信誉。当游客满怀期待地根据电商平台上的宣传预订旅游产品，却在实际旅游过程中遭遇导游讲解不专业、对景点知识了解匮乏，不能很好地为游客答疑解惑，甚至出现讲解错误等情况时，游客内心的落差感会油然而生。而且，在服务方面，导游可能态度冷漠，对游客的需求反应迟缓，不能及时提供必要的帮助和支持。消极评论中“导游”(195次)与“专业”(22次，常为否定语境)的关联，以及表6中消极高频词“服务”(23次)、“态度”(12次)等，直接印证了线上宣传的“优质服务”与线下实际体验的交付差距(差距3)和沟通差距(差距4)。
4.3.2. 价格策略与电商促销模式不匹配
在线上旅游平台和电商网站展示的各类产品价格(如景区门票、酒店房费、度假套餐等)经常引发部分游客对性价比的质疑。这些游客在实际预订时发现，线上标明的价格与其期待的“超值优惠”、“限时特惠”等促销形象存在明显落差。这种价格感知与实际体验之间的差异，使得游客对平台的定价策略产生困惑，也与电商平台长期塑造的“实惠”、“折扣”、“让利”等市场形象形成了鲜明对比和直接冲突。高频词“性价比”(46次)及其消极关联词“性价比低”(40次)、“价格高”(54次)、“消费高”(43次) (见表2，表6)，以及情感分析中因价格问题产生的负面情绪，明确反映了线上促销塑造的“实惠”期望与实际价格感知之间的沟通差距(差距4)。
4.3.3. O2O (线上到线下)衔接不畅
线上预订便捷，但线下体验环节如景区排队、交通接驳、住宿地理位置等出现问题，导致整体满意度下降。这种O2O衔接不畅的情况，使得游客在电商平台上积累的良好印象在实际体验中大打折扣。对于那些习惯通过线上渠道预订旅游产品的游客来说，他们对线下体验的期望往往建立在电商平台的宣传之上，而一旦实际情况与宣传不符，就会产生不满情绪。评论中关于“酒店偏远”(消极高频词“偏远”20次)、“排队”(9次)、“预约”(50次，常与困难关联)等问题，体现了线下资源配套和流程管理与线上便捷预订承诺之间的脱节，涉及交付差距(差距3，线下执行)和沟通差距(差距4，线上信息不全面或不准确)。
4.3.4. 旅游资源线上展示与营销创新不足
通过对各平台在线评论的整理分析发现，游客普遍反馈线上展示的南京历史文化资源类型过于单一，主要集中于传统静态图文展示，缺乏科技感十足的互动体验项目。这种情况充分暴露出当前线上营销内容在对南京丰富历史文化资源进行创新性挖掘和呈现方面存在明显不足，特别是未能有效运用VR虚拟现实、AR增强现实等前沿数字技术手段来活化历史场景。虽然“历史”、“古迹”是高频词，但评论中缺乏对线上创新展示的积极评价，反而暗示展示形式单一。这表明管理者对游客期望的认知差距(差距1)可能存在于对数字化、互动化体验的需求洞察上，同时也反映了在将资源转化为创新线上体验方面的标准差距(差距2)。
5. 电子商务环境下的旅游满意度提升与营销策略
5.1. 数据驱动的服务质量监控与精准营销
与电商平台合作，利用API接口实时抓取和分析评论，建立基于情感分析的负面评价自动预警机制，对涉及导游服务(对应差距3)、预约困难(对应差距2/3)等高频消极内容进行快速响应，将客户服务从被动变为主动。基于语义网络和高频词分析结果，对不同类型的游客推送个性化信息。例如，对高频词“历史”、“文化”关联的游客，推送深度讲解、文博专题游产品；对“价格高”、“性价比”敏感的游客(针对沟通差距4)，重点推送特价套餐、优惠券。利用电商平台的用户画像功能，实现广告的精准投放。
5.2. 电商平台协同的动态定价与产品组合策略
针对评论中突出的“价格高”、“性价比低”问题(沟通差距4)，推行动态定价模型，借鉴电商成熟的定价机制，在旅游淡旺季、不同工作日/节假日实施浮动价格，并通过平台发放限时折扣、早鸟票等，提升感知性价比。针对“行程紧凑”、“太赶了”等反馈(交付差距3)，在电商平台上推出“交通 + 门票 + 酒店”套餐、“美食探店 + 景点游览”联票等，增加产品附加值和游客自主性。利用在线评论中“值得”、“推荐”等高频词，打造“口碑明星套餐”进行重点营销，利用UGC化解价格疑虑。
5.3. O2O融合：完善旅游相关配套的电商解决方案
针对“酒店偏远”、“排队”、“预约难”等O2O衔接问题(差距3、4)，强化线上信息引导线下行为。在电商平台App内集成景区实时人流热力图、智能排队系统、周边交通建议和酒店距离提示，改善游客线下体验。推广“一键预约”生态，即整合景区、博物馆、演出、特色餐饮等资源，在电商平台提供一站式预约服务，减少排队时间，提升行程可控性和满意度。
5.4. 利用UGC进行旅游资源创新营销与品牌塑造
针对线上展示创新不足的问题(差距1、2)，开展UGC营销活动，鼓励游客在社交媒体分享带有特定话题(如#遇见南京#)的图文视频，并择优在官方电商平台首页展示，将真实的游客体验转化为最具说服力的营销内容。针对评论中“历史”、“古迹”等高频词，不仅限于图片展示，应利用VR/AR技术开发线上云游、数字博物馆等，并通过电商平台和社交媒体进行传播，打造“智慧文旅”品牌形象，吸引年轻客群。将积极评论中的“热情”、“周到”、“值得”等关键词提炼出来，用于电商平台的商品详情页、广告语中，增强潜在消费者的信任感，缩小沟通差距(差距4)。
6. 结论与展望
本研究将研究视角从传统的旅游管理转向电子商务与网络营销领域，并引入服务质量差距模型作为理论框架，不仅证实了在线评论对于诊断城市旅游满意度的有效性，更重要的是，识别了在线评论背后反映的多重服务质量差距(如沟通差距、交付差距等)，并据此提出了一套整合数据驱动管理、动态定价、O2O服务融合和UGC营销的电子商务策略体系。这些策略直指数字时代旅游目的地管理的核心——如何高效利用线上数据与渠道，优化线下体验，并最终提升品牌价值与市场竞争力。未来研究可进一步探索多平台(如社交媒体、短视频平台)评论数据的整合分析，利用更先进的自然语言处理技术挖掘深层语义信息，并关注在线评论与在线销量、搜索热度等商业指标的直接关联，从而构建更为精准的旅游电商营销决策支持系统。