EN中文

Tropical Geography >

2025 , Vol. 45 >Issue 7: 1174 - 1188

DOI: https://doi.org/10.13284/j.cnki.rddl.20240202

Urban Recreational Space Heat-Emotion Distribution and Matching Pattern Based on Machine Learning: A Case Study of Guangzhou City

  • Fuyuan Wang , 1 ,
  • Zhiyu Zhang 1, 2 ,
  • Yuanjing Xie 3 ,
  • Xinyi Yang 4 ,
  • Miao Sun 2
Expand
  • 1. Institute of Geographic Sciences and Natural Resources Research//Key Laboratory of Regional Sustainable Development Modeling, Chinese Academy of Sciences, Beijing 100101, China
  • 2. College of Resources and Environment, University of Chinese Academy of Sciences, Beijing 100049, China
  • 3. Tianhe District Branch of Guangzhou Planning and Natural Resources Bureau, Guangzhou 510640, China
  • 4. Automatic Data Processing, Inc, Roseland, New Jersey 07068, United States

Received date: 2024-04-03

  Revised date: 2024-08-23

  Online published: 2025-07-21

Fold

Abstract

Recreational spaces play a pivotal role in enhancing the quality of national life, fostering physical and mental health, and promoting social interaction. While previous research has predominantly examined the supply side of urban recreational spaces, there is a noticeable gap in the characterization of these spaces based on societal perceptions. Using Guangzhou as a case study, this study harnesses big data sourced from Ma Feng Wo and Ctrip. Based on machine learning techniques, it discerns recreational emotions and synergizes Geographic Information System (GIS) spatial analysis with heat-emotion matching analysis. This approach facilitates a nuanced and precise examination of the structural and experiential characteristics of urban recreational spaces from the perspective of social perception. The objective of this study is to offer informed references for the strategic planning and management of urban recreational spaces. The findings indicate that: (1) The distribution of recreational spaces in Guangzhou exhibits a "core agglomeration, edge dispersion" pattern, characterized by a "one core, multiple centers" configuration. Notably, the central urban region and its proximate suburbs—specifically, the Panyu, Baiyun, and Huangpu Districts—show a marked concentration in both the number and popularity of recreational spaces. In contrast, peripheral urban zones primarily feature government residences, premium ecological recreational spaces, and hot spring resources. These areas—including the Huadu, Conghua, and Zengcheng urban areas, Conghua District's hot spring town, and Paitan town—stand out as secondary hubs in terms of recreational space concentration and popularity. Moreover, recreational spaces situated along waterfronts and in areas with dense road networks tend to follow a "point-axis" distribution model, with a staggering 90.45% of these spaces located within a 1 km radius of the road network. (2) The overall approval rate of urban recreational spaces in Guangzhou is significantly high, evidenced by an average positive emotion ratio of 86.99%. However, there is a marked polarization in terms of popularity, manifesting as a "core-edge" decline in spatial distribution. Recreational spaces that evoke predominantly positive emotions are primarily located in the city center and are proximate to the administrative seats of the Panyu, Baiyun, Huangpu, and Nansha Districts. These areas also record a low ratio of negative emotions. In contrast, neutral and negative emotions are more prevalent in the commercial streets and pedestrian zones of the central city, as well as the suburbs of the Conghua, Huadu, and Zengcheng Districts. A considerable emphasis on "cost performance" is observed across all emotional categories related to Guangzhou's urban recreational spaces, indicating a widespread concern among tourists/residents regarding the balance between the costs of these spaces and their service quality. (3) The congruence between popularity and emotional response in Guangzhou's urban recreational spaces is suboptimal. Spatially, this disconnect can be categorized into three distinct types: the "polarized" pattern in the central city, the "experience enhancement" pattern in the Huadu, Panyu, Baiyun, and Conghua Districts, and the "insufficient supply" pattern in the Zengcheng, Huangpu, and Nansha Districts. These findings provide valuable insights for metropolitan areas aiming to refine the layout and management of recreational spaces. By understanding social demands and experiences, cities can craft a more optimized group perception of urban recreational spaces, thereby enhancing tourists' satisfaction and elevating the well-being of residents.

Key words： social perception; big data; machine learning; urban recreational space; recreational emotion; Guangzhou City

Cite this article

Fuyuan Wang , Zhiyu Zhang , Yuanjing Xie , Xinyi Yang , Miao Sun . Urban Recreational Space Heat-Emotion Distribution and Matching Pattern Based on Machine Learning: A Case Study of Guangzhou City[J]. Tropical Geography, 2025 , 45(7) : 1174 -1188 . DOI: 10.13284/j.cnki.rddl.20240202

城市游憩空间是城市游憩物质空间与人们的行为空间耦合而成的空间系统（秦学，2003），是保护与传承城市遗产、提高人居环境质量、促进城市经济发展的重要载体（廖奇，2006），既对当地居民生活质量产生影响，也影响城市作为旅游目的地的吸引力。因此，加强城市游憩空间的建设，提升游憩体验质量，完善城市游憩空间功能与供给结构，建设以人为本的美好城市家园，不仅是提升居民幸福感和生活质量的重要保障，而且是提升城市旅游竞争力、增强城市旅游产业效益的重要路径。在旅游业蓬勃发展、休闲需求日益增长的背景下，从游客和居民需求侧评估城市游憩空间结构与感知图谱、优化城市游憩空间管理，成为亟须研究的问题。
城市游憩空间格局是旅游地理学研究的重要领域。早期学者多基于城市或区域尺度探究城市游憩空间形态及结构模式（秦学，2003；肖贵蓉 等，2008），提出单核模式、多核模式、带状模式、网络模式和综合模式等多种空间形态（吴志强 等，2005），市区游憩圈、城市边缘地带游憩圈、郊区游憩圈的圈层结构（Curry & Ravenscroft, 2001）以及极核―散点―带模式（肖贵蓉 等，2008）、生态游憩空间网络模式（王甫园 等，2020）等城市游憩空间结构模式，并探讨了城市游憩空间格局的演化阶段（吴志强 等，2005）。此外，从游憩体验需求对城市游憩空间优化配置进行探讨，是另一个研究热点（王润 等，2015）。在旅游管理、地理学、城市规划的交叉视角下，部分学者讨论了居民、游客对可达性（樊亚明 等，2023）、经济成本（Curry & Ravenscroft, 2001）方面的需求，或是通过挖掘游憩需求的数量（人口总量）与特征（人口属性、游憩动机）等，评估游憩设施供需失衡现状（Shoval et al., 2018；向博文 等，2022）。
随着互联网和社交媒体的兴起，越来越多的旅游者能在网络平台分享包含文本、图片和地理位置的旅游信息，这为研究旅游者行为、旅游偏好和旅游体验等提供了实时更新的数据（张静 等，2022）。近10年来，社会感知大数据成为当前旅游空间结构研究的重要数据来源。基于网络用户群体的行为和感知特征，揭示空间要素的分布格局、空间单元交互以及场所情感与语义，亦可从“时”视角发现地理过程的规律和特征（刘瑜，2016）。已有学者采取数字足迹（刘震 等，2019）、百度指数（杨友宝 等，2021）、用户生成内容（Fisher et al., 2019; Sinclair et al., 2020）、银行卡消费数据（Aparicio et al., 2022）等多元大数据揭示城市游憩者时空行为特征。如刘震等（2019）通过识别携程网上的上海市居民、游客数字足迹，识别了2种城市游憩者的时空行为特征与游憩网络。Fisher等（2019）利用Flickr和Twitter上的用户生成内容（推文、带地理标记的照片等）和移动电话卡流量，识别多种因素对韩国济州岛游憩空间偏好与热度的影响。Kim等（2019）应用社会大数据揭示了泰国达鲁国家海洋公园2005—2014 年Flickr地理标记照片的游憩空间模式，确定了高访问量的热点，同时揭示了分布属性的局部空间影响。在游憩空间体验与评价方面，亦有学者利用开放式问卷与量表（于冰沁 等，2014）、社区体能活动观察系统（Chow et al., 2016）、手机信令数据（Guo et al., 2019）、具有地理标记的在线评论（Lai & Deal, 2022; Guo et al., 2022）等数据，评价游客对城市公园的感知和满意度，反映游憩空间分布的公平正义性（McConnachie & Shackleton, 2010; Zou et al., 2024）、不同类别生态游憩空间的休闲价值（孙琨 等，2016），并探讨影响游客对城市公园满意度与景观偏好的潜在因素（Liu & Xiao, 2021; Li et al., 2024; Xu et al., 2024），以及城市公园绿地配置的优化策略（Cheng et al., 2024）。
综上，学界的关注点逐渐从定性探究游憩空间分布模式、设计规划理念等领域过渡到结合大数据与机器学习、文本挖掘方法分析城市游憩空间分布、游客行为特征及影响机制上。但现有研究大多基于POI数据和空间解译（王甫园 等，2021）的方法刻画游憩空间的结构，社会感知的视角切入仍显不够；对游憩空间的评价多基于问卷调查、网络文本挖掘方式，分别存在样本量有限（Wang et al., 2015）和空间可视化方法难以应用（张佳宝 等，2023）的局限，特别是较少有研究利用机器学习方式从社交媒体大数据中识别城市游憩空间的情感，并构建情感体验地图。此外，大多数研究针对单一类别的城市游憩空间，如揭示城市公园的景观、设施等对游憩情感的影响（Zhu & Xu, 2021; Zhang et al., 2024），而较少关注大都市不同类型游憩空间的情感分布特征及其核心感知因素，从区域统筹角度刻画游憩情感，提出优化策略。
因此，本文运用社会感知大数据，运用基于机器学习的内容分析、情感分析方法识别城市游憩空间的感知特征，使用GIS空间统计分析对广州市城市游憩空间的分布、评论热度、情感类型等进行可视化，刻画广州市城市游憩空间体验的空间图谱，从游客和居民的需求侧全面探究城市游憩空间的结构和感知特征。研究结果为合理规划与管理城市游憩空间提供决策参考。

1 数据与方法

1.1　研究区概况

广州市地处珠江下游、濒临南海，是国家门户城市，也是粤港澳大湾区的核心城市，历史文化悠久、开放发展水平位于世界前列，长期吸引全国乃至世界各地的旅游者。2021年末广州市旅游业总收入2 885.89亿元，接待过夜旅游人数4 307.74万人次；常住人口规模已达1 881.06万人，城镇化率达86.46%（广州市统计局 等，2022），是中国人口仅次于上海、北京、深圳、重庆的超大城市。结合地理信息系统及机器学习，利用社会感知大数据探讨其城市游憩空间分异格局，识别居民、游客对其的使用需求，促进城市游憩功能供需匹配，是提升广州市城市品质、增进居民福祉与旅游吸引力的重要抓手。根据《广州市国土空间总体规划（2018—2035年）》，全市划分为北部山林生态区、中部沿江都市区、南部滨海新城区三片区域；中心城区规划范围包括越秀、海珠、荔湾、天河四区（广州市人民政府，2024）。为便于空间格局的描述，借鉴国土空间规划，将广州市越秀区、天河区、荔湾区、海珠区称为中心城区，其余市辖区（白云区、黄埔区、从化区、增城区、番禺区、花都区和南沙区）称为外围城区（图1）。
图1 研究区示意

注：该图基于自然资源部标准地图服务网站下载的审图号为GS（2024）0650号的标准地图制作，底图无修改；图2至6同。

Fig.1 The study area

1.2　数据来源与预处理

马蜂窝与携程网是中国较大的在线旅行代理（OTA）平台，用户一般包括游客和本地居民。前者具备强社区属性，用户可通过内容互动发掘并前往旅游目的地；后者较为全面地聚集了不同尺度、不同类型旅游目的地的信息，同时可排除餐饮店、电影院、美容院等体量较小的休闲场所。因此，本研究选择结合二者优势挖掘并整合广州市主要游憩空间相关信息。基于Python中requests库和parsel库，采集了马蜂窝与携程网上广州市1 675个文旅景点及其名称、评分、GPS定位，以及每条评论的日期、打分与文本内容。为确保每个游憩空间的点评数样本量在进行情感识别和体验特征挖掘时具有统计学意义，剔除了评论数＜30条的游憩空间，保留398个评论数量＞30的城市游憩空间及22 750条评论文本（2021-01-01—2022-12-31）。对每条评论的打分进行标签化处理，其中1~2分代表差评，3分代表中评，4~5分代表好评。

1.3　研究方法

1.3.1　GIS空间统计分析

1）核密度分析
核密度分析用于计算要素在其周围邻域中的密度，用于点要素分析时，能直观展现点要素在空间上的聚集模式。本研究采用核密度分析法，对筛选后398个评论数量＞30的城市游憩空间进行核密度分析，识别其空间分布的热点和冷点区域，揭示其空间集疏特征。
2）多环缓冲区分析与矢量数据叠加分析
多环缓冲区是一种常用的邻域分析技术，通过在输入要素周围的指定距离创建多个缓冲区，建立该图层与目标图层的叠加，进而分析地理空间中2个地物距离相近的程度；叠加分析是将有关主题层组成的各个数据层面进行叠置产生1个新的数据层，构建新的空间关系和属性关系的空间分析方法。本研究采用多环缓冲区分析、矢量数据叠加分析等方法，探讨广州城市游憩空间分布的关联性地理要素，并利用统计表格对叠加分析的结果进行展示。

1.3.2　基于机器学习的情感识别和体验特征挖掘

特征提取是对所分析文本内容进行要素识别的重要一步。TF-IDF（Term Frequency-Inverse Document Frequency，词频-逆文档频率）方法是一种用于信息检索与文本挖掘的常用加权技术，能通过词频和逆文档频率的乘积提取关键词并判断其权重（徐琳琳 等，2023），广泛运用于情感建模、舆情预报、热点检测、城市旅游形象识别等研究领域（周源 等，2017；Zhu et al., 2019；郭佳怡 等，2023）。该方法侧重于衡量某一特征词在语料库中的重要性，若该词在某篇文档中出现频率较高，在其他文档中出现频率较低，则表明该词具备良好的区分能力，最终被算法识别出来（殷聪 等，2018）。TF-IDF在中文信息检索方面优于LSI（Latent Semantic Indexing，潜在语义索引）方法，可通过简单的词汇匹配在信息检索中产生理想的性能，而不必使用术语关联（Zhang et al., 2011）。因此，采取该方法对评论文本进行特征提取。
利用Python的中文分词组件Jieba库对评论文本进行精准分词。Jieba库作为中文语境下的分词组件，具有同类库中较高的词典覆盖率，且正/负极性的覆盖率较小，运行相对准确、快速（尤众喜 等，2019）。通过添加自定义词典等方式去除停用词、特殊、无意义字符并合并同义词，在此基础上构建词频矩阵，再通过CountVectorizer、TfidfTransformer的方法向量化计算权重，采用TF-IDF方法（Salton & Yu, 1973）提取广州市游憩空间体验关键词。TF为归一化词频，公式为：
T F w = N w / N
式中：w为某关键词；Nw 为在某一文本中关键词w出现的次数；N为该文本总词条数。
逆文件频率IDF是总文档数目与包含该词语的文档数目之商的对数，公式为：
I D F w = l n Y 1 + Y w
式中：Y为语料库的文档总数；Yw 为包含关键词w的文档数，分母加1是为了避免w未出现在任何文档中从而导致分母为0。IDF越大，代表包含关键词w的文档越少，说明该关键词在类别上具有较好的区分度，避免同类别关键词的多次出现。最后，通过计算TF-IDF值挖掘每个城市游憩空间的前20项体验特征词。
以往文献对游憩空间体验情感的分析一般采用网络评分数据。然而，用户对游憩空间的评分与评论内容的实际含义并不完全一致，如少数用户习惯性打出高分，但其评论实际上包含对游憩空间的消极情感。因此，选用Python中Snow NLP库过滤了广州市游憩空间虚假的正向、负向情感的评论，保留网络评分和点评内容情感一致的评论。Snow NLP是一种基于机器学习的情感识别方法，能基于一定的情感倾向特征标注集不断测试并优化对文本的情感倾向评估；Snow NLP库支持的文本操作包括中文分词、词性标注、情感分析、文本分类、文本关键词提取等，在中文分析上具有良好的应用效果（Tang et al., 2020）。本文在对每条评论的情感进行标签化预处理后，将原始数据按照训练集：验证集：测试集=6∶2∶2的比例划分，分别采用朴素贝叶斯、逻辑回归、Snow NLP的方法进行数据实验，发现Snow NLP分析模型在3种方法中具有最佳情感分类效果。将该方法的分类结果与过滤掉虚高或虚低的网络评分进行交叉对比，发现总样本的情感识别准确率达到65.25%，正向情感样本识别的准确性达到89.61%。考虑到部分点评因文字内容少而无法识别出点评人情感，这一准确率已较高，因此Snow NLP模型适宜于本研究的情感倾向评估。
为使情感分析模型对广州市游憩空间评论文本更具有针对性，通过重新训练语料库、添加自定义停用词文档（如“广州市”“旅游”等）、自定义词典（如“小蛮腰”等）对模型进行优化，以更准确地判断用户情感。最终通过构建情感词典对评论的评分进行校验，得到每条广州市游憩空间评论的真实情感，分为好评（4~5分）、中评（3分）和差评（1~2分）3种类型，用于各游憩空间的综合情感分析。

1.3.3　游憩空间热度-情感匹配性分析

基于采集的评论数据，对各城市游憩空间的评论数进行Min-Max归一化代表游憩空间热度；根据机器学习的情感识别结果，计算出各城市游憩空间的差评率、好评率、中评率。考虑到差评和中评在一定程度上会对游憩空间综合情感造成负面影响，将差评率、中评率作为逆指标，将好评率作为正指标，利用主成分分析法计算综合情感得分系数，公式为：
R i = 0.597 × m a x ( R b i ) - R c i m a x ( R b i ) - m i n ( R b i ) + 0.454   4 × m a x ( R m i ) - R m i m a x ( R m i ) - m i n ( R m i ) + 0.661   1 × R g i
式中：Ri 为第i个城市游憩空间的原始综合情感得分；Rbi 、Rmi 、Rgi 分别为第i个城市游憩空间的差评率、中评率及好评率。将计算得到的原始综合情感得分进行Min-Max归一化，得到各城市游憩空间的综合情感得分R（0≤R≤1，R越大，综合情感得分越高）。
IPA分析模型即重要性-绩效性分析法（Importance-Performance Analysis），是一个二维矩阵，主要用于分析所考察对象的重要程度（I）和满意程度（P），进而划分优势区、保持区、机会区、修补区4个象限，更加生动形象地区分服务改进的轻重缓急（侯玉霞 等，2018）。借鉴IPA的象限分析思路，探讨广州城市游憩空间热度-情感的空间匹配程度及不同的匹配状态，进而提出优化方案。

2 结果分析

2.1　数量集疏与热度分布

2.1.1　数量集聚特征

广州市城市游憩空间分布呈“核心集聚、边缘分散”“一核多中心”的特征（图2）。城市游憩空间密度最高的区域分布于中心城区，且与近郊的番禺区、白云区、黄埔区呈现域面连绵的形态。花都区、增城区、从化区围绕政府驻地或北部山区、南部滨水生态空间（流溪河国家森林公园、石门国家森林公园、黄山鲁森林公园、南沙湿地公园等）有零星的高密度区域分布，形成花都城区、从化城区、从化区温泉镇、增城城区、增城区派潭镇的数量和热度集聚中心，具有成为城市游憩空间次中心的潜力。
图2 广州市城市游憩空间核密度分布

Fig.2 Kernel density distribution of urban recreational spaces in Guangzhou

广州市游憩空间与水系及道路的耦合关系呈现“点－轴”分布特征，与水系、路网的空间依存关系明显（图3）。对滨水区域而言，广州市91.46%的城市游憩空间均分布在水系的1 km缓冲区内，白云区西部、从化区中部、增城区东部、番禺区东部、黄埔区东南部、南沙区东南城市游憩空间沿水系呈“点－轴”状分布特征明显，另有部分区域如花都区西部和北部、番禺区西部、增城区北部、南沙区北部的城市游憩空间分布于水系的交汇处。结合路网建设看，90.45%的城市游憩空间均分布在路网的1 km缓冲区内，在一定程度上说明道路交通对城市游憩空间开发的重要性。
图3 广州市城市游憩空间分布与水系（a）、路网的关系（b）

Fig.3 Urban recreational space distribution in Guangzhou and its relationship with water system (a), and road network (b)

2.1.2　热度分布特征

广州市游憩空间评价热度呈两极分化，游憩空间最高评论数达57 352条，83%的游憩空间评论数为30~500条，最低仅31条，评论数的标准差高达3 813.13。评论数高于5 000条占3%，包括广州长隆度假区、广州塔、锦绣中华民俗村、珠江夜游等热门旅游景点或广东科学中心、广州融创乐园、岭南印象园、正佳极地海洋世界、白水寨风景名胜区等热门城市游憩空间。
在空间分布上，城市游憩空间热度呈现“核心－边缘”递减的空间特征（图4）。在全市尺度上，高热度游憩空间集中在中心城区和番禺区，而城郊的游憩空间热度相对较低。在各市辖区内部结构方面，从化区、增城区和南沙区的高热度游憩空间集中于生态空间附近，白云区、花都区、黄埔区游憩空间热度由区域中心向外围递减。
图4 广州市城市游憩空间热度分布

Fig.4 Hotmap of urban recreational space in Guangzhou

总体上，城市设施完善、城市功能丰富的城市中心区域，以及具有一定口碑（如广州长隆度假区）或地标特色（如广州塔）的游憩空间热度较高。此外，在郊区的游憩空间中，游客和居民更关注提供生态服务功能的生态游憩空间，如森林公园、湿地公园等。

2.2　情感特征

2.2.1　情感分布

广州市游憩空间总体好评率较高（表1），经过Snow NLP分析模型修正后的真实评分平均值为4.40，平均好评率为86.99%，更有部分游憩空间好评率高达100%，如广州南越王宫博物馆、广东演艺中心大剧院、花果山公园等，表明广州市城市游憩空间具有较高的积极情感比率。同时，广州市城市游憩空间差评率平均值为8.78%，最大值达47.37%，只有不到50%的游憩空间差评率低于6.48%，表明城市游憩空间供需匹配关系仍有一定改进空间。
表1 广州市城市游憩空间情感描述性统计

Table 1 Descriptive statistics of urban recreational space sentiment in Guangzhou

统计指标 好评率 中评率 差评率
样本数量/个 398 398 398
最大值/% 100.00 14.29 47.37
最小值/% 44.74 0.00 0.00
平均值/% 86.99 4.24 8.78
标准差 0.09 0.03 0.08
百分位数/% 25 82.35 2.00 2.63
50 88.57 4.00 6.48
75 95.00 6.25 12.03
广州市游憩空间情感的空间分异呈现由中心城区向外围郊区总体好评率逐渐降低的特征（图5），好评率较高的游憩空间主要聚集于越秀区、天河区、海珠区、荔湾区4个中心城区，好评率≥0.9的游憩空间有63.28%分布在中心城区；番禺区、白云区、黄埔区等近郊区驻地附近的游憩空间以及从化区、花都区、增城区、南沙区部分生态游憩空间（如增城文化公园、蕉门公园、秀全公园等）也有较高好评率。然而，尽管中心城区游憩空间普遍好评率较高，但也不乏部分高差评率者掺杂其中，在中心城区10个差评率＞0.3的游憩空间中，有9个为商业街、步行街等以消费活动为主的游憩空间。此外，北部郊区（花都区、从化区、增城区、白云区北部）城市游憩空间中评、差评率普遍较高，该4区中22.4%的游憩空间差评率＞0.2，主要为各类生态游憩空间，如水上乐园、生态农场等。
图5 广州市城市游憩空间好评率（a）、中评率（b）、差评率（c）分布

Fig.5 Distribution of positive reviews(a), neutral reviews(b) and negative reviews(c) of urban recreational spaces in Guangzhou

总体上，广州市中心的城市公园、度假区、公共文化服务设施因其附近拥有便利的交通、城市餐饮、娱乐和住宿等服务设施，能满足休闲、游览、文化体验等价值需求，评价较高。步行街、商业街等功能单一、缺乏景观的游憩空间以及交通不便或开发尚不充分的郊区生态游憩空间的评价更趋向多样化。

2.2.2　情感特征

1）消极情感特征
以负面评价（即差评）反映城市游憩空间的消极情感特征。“性价比”为对广州市游憩空间的消极情感中的最核心的认知要素，TF-IDF高达0.111 4，远超其他要素（表2）。相关评论如：“性价比不高，除了收钱就是收钱”“体验不佳，可玩性低，性价比低”“有待改进，性价比低，景色一般”等，这意味着导致广州市的游憩空间体验不佳的主要原因为性价比较低，即未能提供与收费标准匹配的游憩体验。另有评论关注游览体验，如“下山没有车，还要爬楼梯下来，中途没有休息区没有指示牌”“这个地方不是免费的，除了乘景区巴士或者索道没有任何其他可以走的路”，反映游客或居民通过综合游憩空间游览的舒适程度、收费项目以及业态丰富程度等判断性价比，对游憩空间总体质量有较高期待。
表2 消极评价关键词TOP20及TF-IDF值

Table 2 TOP20 keywords of negative reviews and TF-IDF values

序号 特征 TF-IDF 序号 特征 TF-IDF
1 性价比 0.111 35 11 前台 0.055 01
2 设施 0.095 90 12 服务态度 0.051 65
3 工作人员 0.094 56 13 特色 0.050 66
4 垃圾 0.079 11 14 酒店 0.048 99
5 收费 0.069 21 15 免费 0.048 82
6 排队 0.067 41 16 房间 0.048 26
7 服务 0.062 81 17 大家 0.045 22
8 环境 0.059 32 18 热水 0.043 44
9 小孩 0.058 29 19 不值 0.041 51
10 坑人 0.057 42 20 朋友 0.039 80
其次为“设施”“工作人员”“服务”等关键词，如“没人维护，设施差了点”“总体一般，空荡荡的，设施还不完善，还在修建”“工作人员寥寥无几，态度也很一般”“小卖部的人服务态度不好”等，表明消极评价多来源于城市游憩空间的设施不完善、人员服务态度不好。这说明游客或居民对良好游憩空间的期望和需求，不仅为性价比高，还希望享受到良好的设施和热情的服务。
2）中立情感特征
以点评的中立评价（即中评）反映城市游憩空间的中立情感。与消极情感特征相似，关键词“性价比”在中立评价中亦处于核心位置（表3），表明游客或居民普遍关注目标游憩空间的付费情况与提供服务的匹配关系。相关评论如“还可以，不过就是要门票，虽然不贵，也很不能理解”“值得一去，就是门票太贵，人太多了”等，表明收费在一定程度上降低游玩体验和游憩空间的口碑、使情感倾向于中立，可能会影响重游意愿。“免费”作为与“性价比”相关的要素，在中立评价中排名第二，同样表明城市游憩空间是否免费受到高度关注。因此，降低或取消现有游憩空间的收费，有助于增加游憩空间的满意度和情感。
表3 中立评价关键词TOP20及TF-IDF值

Table 3 TOP20 keywords of neutral reviews and TF-IDF values

序号 特征 TF-IDF 序号 特征 TF-IDF
1 性价比 0.094 04 11 小孩 0.042 88
2 免费 0.077 96 12 收费 0.038 63
3 设施 0.073 82 13 交通 0.036 86
4 环境 0.073 05 14 樱花 0.034 51
5 特色 0.068 9 15 参观 0.032 84
6 建筑 0.065 68 16 博物馆 0.032 65
7 地铁 0.059 89 17 历史 0.032 06
8 风景 0.054 27 18 趣味 0.031 10
9 散步 0.046 37 19 水乡 0.027 26
10 广场 0.045 32 20 步行街 0.025 78
“设施”“环境”“特色”等关键词在中立评价中亦有一定关注度。在中立评价中，游客或居民倾向于发布询问信息或建议信息，如“有停车场吗？我想过去玩一下”“很古老的东西了，觉得宣传不足，很多人都不知道”“还行，但设备设施需要更换，公园比较陈旧”等。因此，中立评价较多的游憩空间应通过更新服务设施、打造自身特色、优化游憩环境等措施提升体验质量。
3）积极情感特征
以积极评价（即好评）反映广州市城市游憩空间的积极情感。“环境”是城市游憩空间最核心的认知要素（表4），相关评论如“景色很不错，趣味性强，性价比高”“广州一个漂亮的公园，建筑有一些古色古香的感觉，里面的鲜花色彩丰富”“山清水秀，风景怡人，是一个散步晨运的好地方”，表明环境优美、舒适的游憩空间导致积极情感的形成，也说明游客或居民希望游憩空间能提供完善的生态系统文化服务，满足自身亲近自然、放松身心的需求。此外，关键词“免费”依然具有较高关注度，免费的公园、博物馆和游乐项目更容易获得好评。
表4 积极评价关键词TOP20及TF-IDF值

Table 4 TOP20 keywords of positive reviews and TF-IDF values

序号 特征 TF-IDF 序号 特征 TF-IDF
1 环境 0.090 48 11 环境优美 0.041 35
2 免费 0.075 95 12 交通 0.041 11
3 建筑 0.064 67 13 博物馆 0.038 24
4 特色 0.062 19 14 很漂亮 0.037 58
5 性价比 0.059 88 15 设施 0.035 26
6 风景 0.058 45 16 空气 0.033 14
7 广场 0.048 31 17 参观 0.031 67
8 小孩 0.043 44 18 朋友 0.030 12
9 历史 0.043 40 19 酒店 0.029 88
10 散步 0.042 72 20 地铁 0.029 63
除此之外，“建筑”“特色”“历史”等也是关注重点之一，部分博物馆、历史街区等游憩空间也获得较多好评，如“渔人码头真的蛮特别的，通过对老厂房的活化，加了很多壁画和艺术品”“岭南画派发源地，景观设置小巧玲珑，有历史有趣味，闹市区中难得的宁静和艺术氛围”“古色古香，很有特色的小村落”等，表明游憩空间的体验需求不仅包括生态游憩服务、娱乐项目，还涵盖了新颖的表现形式、历史文化价值、特色城市风貌和民俗风情等。广州作为历史文化名城，应在未来的游憩空间建设中注重文化服务的提供，挖掘当地文脉，实现城市更新与游憩空间建设一体化。

2.3　热度与情感匹配性格局

利用式（3）计算城市游憩空间综合情感得分，以游憩空间热度与综合情感得分的平均值为分界，将其分为优势区、保持区、机会区与修复区，进一步探究热度与情感匹配性特征。由于部分城市游憩空间（长隆野生动物园、广州塔、锦绣中华民俗村、广州长隆国际大马戏、长隆水上乐园、广州长隆度假区、长隆欢乐世界）受到全国甚至国际旅游者的喜爱，其热度显著高于其余游憩空间，为避免其对均值的影响，将其剔除，再对数据集进行IPA分析（图6）。
图6 广州市城市游憩空间热度与情感匹配性分析

Fig.6 Analysis of the match between the popularity and emotion of urban recreational spaces in Guangzhou

从统计结果看，37.08%的城市游憩空间处于热度低-综合情感得分低的机会区，45.78%城市游憩空间处于热度低-综合情感得分高的保持区，表明广州市游憩空间热度与情感总体匹配性较差。热度低-综合情感得分高的保持区集中分布在中心城区及其外围的白云区、黄埔区、番禺区，而机会区、优势区的分布较离散。属于热度高-综合情感得分低的修复区的游憩空间主要分布在北部花都区、从化区、增城区以及南部南沙区的生态游憩空间。总体上，广州市游憩空间热度与情感较不匹配，亟需通过对外宣传、进一步完善服务设施、挖掘新增长点的手段，增强游憩空间的热度-情感耦合性。
进一步考察各区内部城市游憩空间的热度-情感匹配性（图7），可将匹配类型分为3类。
图7 广州市各区游憩空间热度与情感匹配性

Fig.7 The match between the popularity and emotion of urban recreational spaces in districts of Guangzhou

1）中心城区“两极分化”型。中心城区城市游憩空间密集、位于优势区的游憩空间占比在10%左右，大部分为广州市在国际或全国具有重要影响力的景区，如珠江夜游天字码头、广东省博物馆、广州动物园等，具有省会城市的核心区位与资源优势；但与此同时，仍有约10%的游憩空间处于热度高-综合情感得分低的修复区，而超过80%的城市游憩空间处于热度较低的机会区或保持区，呈“两极分化”的特点。因此，广州市中心城区一方面需保持和优化龙头游憩空间的管理，树立广州市城市形象，另一方面应兼顾本地及周边居民的需要，合理布局宜居化、多元化游憩空间。
2）番禺区、花都区、白云区、从化区“体验提升”型。其中，番禺区、白云区位于中心城区外围，游憩空间以城市公园为主，而花都区、从化区位于北部山区，以生态游憩空间为主。此4区均拥有30个以上的城市游憩空间以及一定数量的优势区游憩空间引领，如番禺区莲花山旅游区、白云区白云山、从化区石门国家森林公园等，但总体热度仍较低，且均有40%左右的游憩空间处于热度低、综合情感得分低的机会区。该类型区域应从提高生态类、公园类游憩空间总体质量入手，通过丰富业态、完善配套设施提升情感体验，进而树立良好口碑、带动热度提升。
3）增城区、黄埔区、南沙区“供给不足”型。此3区城市游憩空间数量少、热度低，缺乏竞争力，区域内游憩空间供给仍有待进一步提升。未来应在保证生态空间安全的情况下，提升游憩空间数量和质量；同时积极发挥区域优势，挖掘特色资源，如南沙区与增城区进一步发展滨海、山地、森林生态旅游，黄埔区深入开展文化旅游等。

3 结论、讨论与启示

3.1　结论与讨论

1）基于社会感知视角的广州市游憩空间数量和热度分布均呈现“核心集聚、边缘分散”和“一核多中心”的特征。数量和热度总体由核心向边缘递减，中心城区与近郊的番禺区、白云区、黄埔区游憩空间数量和热度高度集聚，而外围城区的游憩空间主要围绕政府驻地、高等级生态游憩空间和温泉资源，形成花都城区、从化城区、从化区温泉镇、增城城区、增城派潭镇的数量和热度集聚中心。这意味着游憩热点地区主要集聚在中心城区，在周边市辖区有分散化的热点地区。该特征与广州市人口分布的“核心－外围”格局（刘一鸣 等，2023）有关，也与市外游客集中在中心城区开展游览活动有关。在关联要素上，城市游憩空间与及道路的耦合关系呈现“点－轴”分布特征，90%以上的城市游憩空间分布在路网和水系的1 km缓冲区。已有研究从供给侧视角探讨了城市生态游憩空间的分布，发现北京（王甫园 等，2023）、广州（黎雅悦 等，2022）、合肥（刘雷，2012）等城市的游憩空间数量均呈现在中心城区、新城新区、部分旅游资源富集乡镇集聚的特点，这与广州市游憩空间的分布具有一定相似性，进一步验证了大城市中心区域与游憩空间数量集聚分布的耦合关系，体现城市游憩空间数量集聚特征和规律。但与供给侧视角的城郊生态游憩空间板块式集聚特征（黎雅悦 等，2022；王甫园 等，2023）相比，本研究发现社会感知下的城郊游憩空间数量和热度分布的极化效应更突出。
2）广州市城市游憩空间平均积极情感比率为86.99%，高积极情感的游憩空间主要聚集于中心城区，以及番禺区、白云区、黄埔区、南沙区的驻地附近，且消极情感比率较低。中心城区的商业街、步行街及从化区、花都区、增城区郊区的游憩空间的中性情感、消极情感普遍较多。“性价比”是广州市游憩空间3类情感中均高度关注的要素，反映游憩空间费用与服务质量的匹配关系受到高度关注。已有研究表明，经济驱动型游客占旅游人口的2/3以上，该类人群表现出更高的价格敏感性，其旅行选择反映在考虑价格和等待时间的同时最大限度地提高体验的愿望（Zhou et al., 2024）。广州作为中国乃至国际的休闲和旅游目的地，大多数用户从经济角度出发，表达对旅游体验的核心诉求。消极情感主要来源于不合理的收费、较低的游憩体验质量和服务水平，空间上以城市郊区游憩空间的消极评价居多。中性情感主要受是否需要付费、交通是否便利、设施是否完善及游憩空间是否具有自身特点的影响。游憩空间的积极情感主要源于设施完善、免费、优良生态环境、特色建筑和历史文化等。
3）从热度-情感的耦合性看，城市游憩空间热度-综合情感得分总体匹配性较差，空间上分为中心城区“两极分化”型，花都区、番禺区、白云区、从化区“体验提升”型以及增城区、黄埔区、南沙区“供给不足”型3类。造成热度与情感匹配失衡的原因可能是，部分生态型游憩空间游憩产品和活动单一，交通不便，服务设施不完善（张佳宝 等，2023），或部分游憩空间资源非使用价值并未得到游客充分认知（时少华 等，2022）。此外，热度－情感的空间分布与匹配关系表明城市建设水平影响游憩空间的质量。部分区域未能充分挖掘自身资源优势、游憩空间供给水平较弱、城市配套设施不完善，进而影响游憩空间综合情感得分。

3.2　管理启示

1）广州市游憩空间集中在中心城区，而在南北两侧的生态区尚有一定的开发空间。未来应加快建设与人口、城镇化和国土空间规划布局相适应的游憩空间体系，适度对南部和北部的森林、湿地、海洋生态系统进行高质量游憩利用，建设贯通南北的生态廊道，提高交通可达性。优化郊区游憩空间分布，对生态型游憩空间进行高效优质开发，通过增加业态、提高效益、满足居民亲近自然的需求，提升郊区游憩空间热度，以促进广州市游憩空间热度的扩展。在中心城区，宜采取城市修补、生态修复等方式对已有游憩空间进行优化提升。
2）广州市游憩空间的热度-情感耦合性较低，北部山区生态游憩空间差评率较高。因此，在管理和开发城市游憩空间时，应兼顾游憩空间的质量提升与配套服务、宣传工作，对于优势区，应继续坚持游憩空间的高质量运营；对于修复区，着力提升游憩空间的服务质量和口碑评价；对于保持区，加大游憩空间的宣传力度；对于机会区，综合提升游憩空间的总体价值。此外，对于生态游憩空间，应注重生态保护与游憩利用协同，在保护生态环境的同时建立健全游憩服务体系，打造游览路线、交互式体验项目等，满足大都市地区居民的生态游憩需求。同时，部分区域如黄埔区内部热度-情感耦合性的失衡也折射出现有游憩空间数量少、类型单一、特色不鲜明等问题，未来需要加强游憩空间与城市文化建设、生态文明建设协同，丰富广州的城市名片。
3）“性价比”是游憩情感的核心关键词。在提供游憩设施和服务的同时，决策者与开发者应注重游憩空间服务与体验的匹配性，提升游憩者的积极情感。通过进一步完善游憩价格政策、提供优质的公共服务设施和商业服务，提高广州市游憩空间的性价比。对于消极评论较多的游憩空间，应听取游客和居民的合理诉求，从环境舒适程度、收费项目设置、设施完善性以及人员服务态度4方面综合提升游憩空间质量；对于中立评论较多的游憩空间，应有针对性地弥补自身缺点如消费水平、交通便利程度等，打造特色旅游业态、加强宣传；对于积极评论较多的游憩空间，应继续保持并发扬自身优势，平衡运营成本与游憩体验，实现高质量、可持续发展；在设计旅游环境和体验时应考虑集体情感的作用，营造更加良好的口碑（Volo, 2021）。同时，本研究显示“环境”在城市游憩空间的正面评价中处于核心地位，“建筑”“特色”“历史”等也是关注的重点之一。决策者应注重保护和改善自然环境，加强绿化和景观规划，提升游憩空间的自然氛围和美感，同时要挖掘城市的历史文化特色，丰富游憩空间的文化内涵。

3.3　贡献与不足

社会感知为多源地理大数据应用提供了指导，弥补了高时空分辨率社会经济要素感知能力不足的空白，成为人文地理学和信息地理学交叉领域的重要研究方向（刘瑜，2024）。以往文献主要从物质空间供给侧视角刻画游憩空间分布格局。本研究基于在线旅游社区和预订平台获取社会感知大数据，采用机器学习识别情感，揭示了社会感知的城市游憩空间分布、热度-情感匹配格局，并基于TF-IDF计算识别了影响游憩者的积极、情感体验的因素，从需求侧视角进一步完善了区域游憩空间的空间图谱信息，有利于决策者从社会需求出发完善和发展城市游憩空间。
然而，本研究存在以下不足。首先，采用的社会感知大数据抓取自马蜂窝和携程网站。为确保游憩空间评论内容所反映的情感在统计学上具有一定意义，评价少于30条的游憩空间未纳入研究范畴，因此可能会导致部分游憩空间未在地图上予以反映。其次，所用数据不包括用户的年龄、职业、学历等要素，未来可进一步将用户基本信息与评论结合，分析不同细分群体的游憩空间体验和情感。此外，未来可结合机器深度学习、语义挖掘等技术手段，探究粤港澳大湾区等城市群尺度的游憩空间感知图谱，为城市群游憩空间结构优化提供针对性的策略和措施。

References

Publishing order | Descend order by publishing year | Descend order by cited within
Aparicio D, Martín-Caro M S H, García-Palomares J C, and Gutiérrez J. 2022. Exploring the Spatial Patterns of Visitor Expenditure in Cities Using Bank Card Transactions Data. Current Issues in Tourism, 25(17): 2770-2788.

Cheng Y, Browning M H, Zhao B, Qiu B, Wang H, and Zhang J. 2024. How Can Urban Green Space be Planned for a 'Happy City'? Evidence from Overhead-To Eye-Level Green Exposure Metrics. Landscape and Urban Planning, 249: 105131.

Chow B C, McKenzie T L, and Sit C H P. 2016. Public Parks in Hong Kong: Characteristics of Physical Activity Areas and Their Users. International Journal of Environmental Research and Public Health, 13(7): 639.

Curry N and Ravenscroft N. 2001. Countryside Recreation Provision in England: Exploring A Demand-Led Approach. Land Use Policy, 18(3): 281-291.

樊亚明，田丽莹，陈昭宇. 2023. 城市生态游憩空间可达性评价及规划响应——以桂林市为例. 规划师，39（2）：125-132.

Fan Yaming, Tian Liying, and Chen Zhaoyu. 2023. Evaluation and Planning Response of Ecological Recreational Space Accessibility. Planners, 39(2): 125-132.

Fisher D M, Wood S A, Roh Y H, and Kim C K. 2019. The Geographic Spread and Preferences of Tourists Revealed by User-Generated Information on Jeju Island, South Korea. Land, 8(5): 73.

广州市人民政府. 2024. 广州市人民政府关于印发广州市国土空间总体规划（2021—2035年）的通知. （2024-11-06） [2025-06-29]. https://www.gz.gov.cn/zwgk/fggw/szfwj/content/post_9960352.html. [Guangzhou Municipal People's Government. 2024. Notice of the Guangzhou Municipal People's Government on Issuing the Guangzhou Land and Space Master Plan(2021-2035). (2024-11-06) [2025-06-29]. https://ghzyj.gz.gov.cn/zwgk/ztzl/gtkjgh/gzxx/content/post_6484475.html. ]

广州市统计局，国家统计局广州调查队. 2022. 2022广州统计年鉴. 北京：中国统计出版社.

Guangzhou Bureau of Statistics and National Bureau of Statistics Guangzhou Survey Team. 2022. Guangzhou Statistical Yearbook 2022. Beijing: China Statistics Press.

郭佳怡，方博平，陆欣怡，王妮，宋涛. 2023. 基于文本挖掘和情感分析方法的“智慧旅游”服务质量感知研究. 现代信息科技，7（6）：1-5，12.

Guo Jiayi, Fang Boping, Lu Xinyi, Wang Ni, and Song Tao. 2023. Research on Service Quality Perception of "Smart Tourism" Analysis Methods Based on Text Mining and Sentiment. Modern Information Technology, 7(6): 1-5, 12.

Guo S H, Yang G G, Pei T, Ma T, Song C, Shu H, Du Y Y, and Zhou C H. 2019. Analysis of Factors Affecting Urban Park Service Area in Beijing: Perspectives From Multi-Source Geographic Data. Landscape and Urban Planning, 181: 103-117.

Guo X, Tu X, Huang G, Fang X, Kong L, and Wu J. 2022. Urban Greenspace Helps Ameliorate People's Negative Sentiments During the COVID-19 Pandemic: The Case of Beijing. Building and Environment, 223: 109449.

侯玉霞，吴忠军. 2018. 基于国内外游客IPA分析的民族特色主题民宿转型升级研究——以龙胜各族自治县平安寨、大寨为例. 社会科学家，（5）：72-80.

Hou Yuxia and Wu Zhongjun. 2018. Research on the Transformation and Upgrading of Ethnic Themed Homestays Based on IPA Analysis of Domestic and Foreign Tourists: Taking Ping'anzhai and Dazhai in Longsheng Autonomous County As Examples. Social Scientist, (5): 72-80.

Kim Y, Kim C K, Lee D K, Lee H W and Andrada R T. 2019. Quantifying Nature-Based Tourism in Protected Areas in Developing Countries By Using Social Big Data. Tourism Management, 72: 249-256.

Lai S and Deal B. 2022. Parks, Green Space, and Happiness: A Spatially Specific Sentiment Analysis Using Microblogs in Shanghai, China. Sustainability, 15(1): 146.

黎雅悦，戈大专，牛博，李杰. 2022. 广州市休闲旅游资源空间分布及其可达性特征. 热带地理，42（10）：1701-1712.

Li Yayue, Ge Dazhuan, Niu Bo, and Li Jie. 2022. Accessibility and Structural Characteristics of Leisure Tourism Resources in Guangzhou. Tropical Geography, 42(10): 1701-1712.

廖奇. 2006. 游憩空间之于人的价值——社会和谐发展的跨学科思考. 自然辩证法研究，（3）：102-104.

Liao Qi. 2006. Value of Recreation Space to the People Multidisciplinary Consideration on the Harmonious Development of Society. Studies in Dialectics of Nature, (3): 102-104.

Li J, Gao J, Zhang Z, Fu J, Shao G, Zhao Z and Yang P. 2024. Insights into Citizens' Experiences of Cultural Ecosystem Services in Urban Green Spaces Based on Social Media Analytics. Landscape and Urban Planning, 244: 104999.

刘雷. 2012. 合肥城市游憩空间分布特征及品质评价研究. 合肥：安徽建筑工业学院.

Liu Lei. 2012. Research on Spatial Distribution Characteristics and Quality Evaluation of Urban Recreation Space in Hefei. Hefei: Anhui University of Architecture.

Liu R and Xiao J. 2021. Factors Affecting Users' Satisfaction with Urban Parks through Online Comments Data: Evidence from Shenzhen, China. International Journal of Environmental Research and Public Health, 18(1): 253.

刘一鸣，黄彦瑜，赖妙华，龚华. 2023. 广州城市人口空间结构与演化趋势研究. 人口与发展，29（2）：41-50.

Liu Yiming, Huang Yanyu, Lai Miaohua, and Gong Hua. 2023. Study on the Spatial Structure and Evolutionary Trends of Guangzhou Urban Population. Population and Development, 29(2): 41-50.

刘瑜. 2016. 社会感知视角下的若干人文地理学基本问题再思考. 地理学报，71（4）：564-575.

Liu Yu. 2016. Revisiting Several Basic Geographical Concepts: A Social Sensing Perspective. Acta Geographica Sinica, 71(4): 564-575.

刘瑜. 2024. 遥感与地理信息系统研究所刘瑜教授成果入选2023年度“中国地理科学十大研究进展”.（2024-04-27）[2024-07-07]. https://irsgis.pku.edu.cn/xwdt/158210.htm.

Liu Yu. 2024. The Institute of Remote Sensing and Geographic Information System at Peking University. The Research Achievements of Professor Liu Yu from the Institute of Remote Sensing and Geographic Information System have been Selected as One of the "Top Ten Research Advances in Chinese Geographic Sciences" for the Year 2023. (2024-04-27) [2024-07-07]. https://irsgis.pku.edu.cn/xwdt/158210.htm.

刘震，戴泽钒，楼嘉军，刘松. 2019. 基于数字足迹的城市游憩行为时空特征研究——以上海为例. 世界地理研究，28（5）：95-105.

Liu Zhen, Dai Zefan, Lou Jiajun, and Liu Song. 2019. Temporal and Spatial Characteristics of Urban Recreation Behavior Based on Digital Footprints—A Case Study of Shanghai. World Regional Studies, 28(5): 95-105.

McConnachie M M and Shackleton C M. 2010. Public Green Space Inequality in Small Towns in South Africa. Habitat International, 34(2): 244-248.

秦学. 2003. 城市游憩空间结构系统分析——以宁波市为例. 经济地理，23（2）：267-271，288.

Qin Xue. 2003. Systematic Study on Urban Recreational Spatial Structure—A Case Study of Ningbo City. Economic Geography, 23(2): 267-271, 288.

时少华，吴泰岳，李享，范怡然. 2022. 基于ITCM和CVM的运河公园游憩价值评估研究——以北京通州大运河森林公园为例. 干旱区资源与环境，36（1）：201-208.

Shi Shaohua, Wu Taiyue, Li Xiang, and Fan Yiran. 2022. Assessment of Recreation Value of Tongzhou Grand Canal Forest Park, Beiing Based on ITCM and CVM. Journal of Arid Land Resources and Environment, 36(1): 201-208.

Salton G and Yu C T. 1973. On the Construction of Effective Vocabularies for Information Retrieval. Acm Sigplan Notices, 10(1): 48-60.

Shoval N, Schvimer Y, and Tamir M. 2018. Tracking Technologies and Urban Analysis: Adding the Emotional Dimension. Cities, 72: 34-42.

Sinclair M, Mayer M, Woltering M, and Ghermandi A. 2020. Using Social Media to Estimate Visitor Provenance and Patterns of Recreation in Germany's National Parks. Journal of Environmental Management, 263: 110418.

孙琨，钟林生，张爱平，张国平. 2016. 城市生态游憩空间休闲价值对比分析——以常熟市为例. 地理研究，35（2）：256-270.

Sun Kun, Zhong Linsheng, Zhang Aiping, and Zhang Guoping. 2016. Comparative Analysis on the Leisure Values of Urban Ecological Recreation Spaces: A Case Study of Changshu City. Geographical Research, 35(2): 256-270.

Tang T, Huang L, and Chen Y. 2020. Evaluation of Chinese Sentiment Analysis APIs Based on Online Reviews. In: IEEE. 2020 IEEE International Conference on Industrial Engineering and Engineering Management(IEEM).Singapore: The Institute of Electrical and Electronics Engineers, 923-927.

Volo S. 2021. The Experience of Emotion: Directions for Tourism Design. Annals of Tourism Research, 86: 103097.

王甫园，王开泳，虞虎，陈田. 2020. 珠三角城市群生态游憩空间分异特征及关联性因素. 地理研究，39（9）：2148-2164.

Wang Fuyuan, Wang Kaiyong, Yu Hu, and Chen Tian. 2020. Spatial Differentiation and Correlative Factors of Ecological Recreation Space Distribution in the Pearl River Delta urban agglomeration. Geographical Research, 39(9): 2148-2164.

王甫园，王开泳，郑鑫，林明水. 2021. 珠三角城市群生态空间游憩利用扩展格局及影响因素. 生态学报，41（17）：7049-7062.

Wang Fuyuan, Wang Kaiyong, Zheng Xin, and Lin Mingshui. 2021. Spatial Expansion Pattern and Influencing Factors of Recreational Utilization of Ecological Space in the Pearl River Delta Urban Agglomeration. Acta Ecologica Sinica, 41(17): 7049-7062.

王甫园，张之羽. 2023. 2000—2020年北京市生态游憩空间分布格局演变. 中国生态旅游，13（6）：1077-1095.

Wang Fuyuan and Zhang Zhiyu. 2023. Distribution and Evolution Pattern of Ecological Recreation Space in Beijing from 2000 to 2020. Journal of Chinese Ecotourism, 13(6): 1077-1095.

王润，黄凯，朱鹤. 2015. 国内外城市游憩用地管理与研究动态. 华中农业大学学报（社会科学版），（3）：94-101.

Wang Run, Huang Kai, and Zhu He. 2015. Review of Domestic and Overseas Research on Urban Recreational Land. Journal of Huazhong Agricultural University(Social Sciences Edition), (3): 94-101.

吴志强，吴承照. 2005. 城市旅游规划原理. 北京：中国建筑工业出版社.

Wu Zhiqiang and Wu Chengzhao. 2005. Urban Recreation and Tourism Planning Studies. Beijing: China Architecture & Building Press.

向博文，魏伟，赵渺希. 2022. 黄浦江核心区滨水游憩流空间结构特征研究. 上海城市规划，（6）：104-110.

Xiang Bowen, Wei Wei, and Zhao Miaoxi. 2022. Spatial Structure Characteristics of Waterfront Recreation Flow in Core Area of the Huangpu River. Shanghai Urban Planning Review, (6): 104-110.

肖贵蓉，宋文丽. 2008. 城市游憩空间结构优化研究——以大连市为例. 中国人口·资源与环境，（2）：86-92.

Xiao Guirong and Song Wenli. 2008. Structural Optimization of Urban Recreational Space in Dalian. China Population Resources and Environment, (2): 86-92.

Wang D, Brown G, and Liu Y. 2015. The Physical and Non-Physical Factors That Influence Perceived Access to Urban Parks. Landscape and Urban Planning, 133: 53-66.

徐琳琳，周彬，虞虎，张鹏飞. 2023. 2022年冬奥会对张家口城市旅游地形象的影响研究——基于UGC文本分析. 地理研究，42（2）：422-439.

Xu Linlin, Zhou Bin, Yu Hu, and Zhang Pengfei. 2023. Research on the Influence of 2022 Winter Olympic Games on the Tourism Destination Image of Zhangjiakou: Based on UGC Text Analysis. Geographical Research, 42(2): 422-439.

Xu M, Chen Z, Zeng M, and Ke Y. 2024. Research on Landscape Preference of Urban Mountain Park Based on Visitors' Perception—Taking Xishan Park in Mianyang City as an Example. Open Journal of Social Sciences, 12(1): 469-485.

杨友宝，曹吕苗，李琪. 2021. 基于百度指数的长沙市居民游憩活动行为时空演变特征研究. 资源开发与市场，37（2）：221-227.

Yang Youbao, Cao Lvmiao, and Li Qi. 2021. Research on the Spatiotemporal Evolution Characteristics of Recreational Activity Behavior Among Residents in Changsha City Based on Baidu Index. Resource Development & Market, 37(2): 221-227.

殷聪，张李义. 2018. 基于TF-IDF的情境后过滤推荐算法研究——以餐饮业O2O为例. 数据分析与知识发现，2（11）：28-36.

Yin Cong and Zhang Liyi. 2018. Recommendation Algorithm for Post-Context Filtering Based on TF-LDF: Case Study of Catering O2O. Data Analysis and Knowledge Discovery, 2(11): 28-36.

尤众喜，华薇娜，潘雪莲. 2019. 中文分词器对图书评论和情感词典匹配程度的影响. 数据分析与知识发现，3（7）：23-33.

You Zhongxi, Hua Weina, and Pan Xuelian. 2019. The Impact of Chinese Word Segmentation on The Matching Degree between Book Reviews and Sentiment Dictionaries. Data Analysis and Knowledge Discovery, 3(7): 23-33.

于冰沁，谢长坤，杨硕冰，车生泉. 2014. 上海城市社区公园居民游憩感知满意度与重要性的对应分析. 中国园林，30（9）：75-78.

Yu Bingqin, Xie Changkun, Yang Shuobing, and Che Shengquan. 2014. Correspondence Analysis on Residents' Perceived Recreation Satisfaction and Importance in Shanghai Urban Community Park. Chinese Landscape Architecture, 30(9): 75-78.

张佳宝，乌恩. 2023. 基于游客感知价值的国家公园游憩功能研究——以黄石国家公园和武夷山国家公园为例. 世界地理研究，32（2）：146-157.

Zhang Jiabao and Wu En. 2023. Recreation Function in National Parks Based on Tourists' Perceived Value: Two Case Studies of Yellowstone National Park and Wuvishan National Park. World Regional Studies, 32(2): 146-157.

Zhang W, Yoshida T, and Tang X. 2011. A comparative study of TF* IDF, LSI and Multi-Words for Text Classification. Expert Systems with Applications, 38(3): 2758-2765.

Zhang J, Liu L, Wang J, Dong D, Jiang T, Chen J, and Ren Y. 2024. Exploring the Relationship between the Sentiments of Young People and Urban Green Space by Using a Check-In Microblog. Forests, 15(5): 796.

张静，卢松，段鹏霄，孙颖，胡凯霖. 2022. 媒体数据在西方旅游学中的应用研究进展. 中国生态旅游，12（3）：374-385.

Zhang Jing, Lu Song, Duan Pengxiao, Sun Ying, and Hu Kailin. 2022. Review on the Application of Media Data in Western Tourism Studies. Journal of Chinese Ecotourism, 12(3): 374-385.

Zhou H, Chi X, Norman R, Zhang Y, and Song C. 2024. Tourists' Urban Travel Modes: Choices for Enhanced Transport and Environmental Sustainability. Transportation Research Part D: Transport and Environment, 129: 104144.

周源，刘怀兰，杜朋朋，廖岭. 2017. 基于改进TF-IDF特征提取的文本分类模型研究. 情报科学，35（5）：111-118.

Zhou Yuan, Liu Huailan, Du Pengpeng, and Liao Ling. 2017. Research on Text Classification Model Based on Improved TF-IDF Feature Extraction. Information Science, 35(5): 111-118.

Zhu J and Xu C. 2021. Sina Microblog Sentiment in Beijing City Parks as Measure of Demand for Urban Green Space During the COVID-19. Urban Forestry & Urban Greening, 58: 126913.

Zhu Z, Liang J, Li D, Yu H, and Liu G. 2019. Hot Topic Detection Based on a Refined TF-IDF Algorithm. IEEE Access, 7: 26996-27007.

Zou N, Mi X, Xiao Y, Li Y, and Hu N. 2024. Assessing Urban Park Equity in Chaoyang District, Beijing Using Online Review Data. Scientific Reports, 14(1): 1160.

Options
Outlines

/

〈 〉