随着年轻一代逐渐成为餐饮行业消费的主力军,消费者在饮食方面的需求日趋多元化,加之餐饮业态本身的多样性,餐厅面临着房租高、人力成本高、食材成本高而毛利低的困境,这使得降低成本的问题变得越来越紧迫,而人力成本和食材成本往往与销量相关,因此精准预测菜品销量一直是餐厅关注的重点。由于在线评论反映了消费者的就餐体验,同时还是用户决定是否消费的一个重要因素,因此本文试图从细粒度的角度挖掘在线评论中的信息,进而实现对餐厅菜品销量的预测。本文主要包括两个模型,一个是用于预测属性类别情感倾向的模型,一个是用于预测菜品销量的模型。属性类别情感评价模型是基于Attention-LSTM建立的,首先考虑到训练集中存在分类不平衡的问题,对损失函数进行了修正。然后通过设定不同的参数建立了多个模型,以在验证集和测试集的F1值作为评估标准,最终选择了隐藏层神经元为128,隐藏层数为2的Attention-Bi LSTM模型,其在验证集和测试集上的F1值分别为0.732、0.730。最后对目标数据集的评论进行情感倾向的判别并构建18个属性类别的情感指数。菜品销量预测模型是基于面板数据模型建立的,首先根据Hausman检验和F检验结果选择了个体固定效应模型。然后将数据分为训练集和测试集,利用训练集来训练模型,最终模型的拟合优度达到0.518。在18个自变量中,只有8个自变量通过了显著性检验,因此剔除所有不显著的自变量,重新训练模型,新模型的拟合优度达到0.513,与旧模型差别不大,但具有更低的模型复杂度。最后用新模型对测试集的数据进行预测,并用MSE和NMSE来评估模型的预测效果,两者的值分别为0.56、0.49。本文将不同属性类别的情感融入到菜品销量预测模型中,不仅丰富了餐饮领域的菜品销量预测研究,还可以帮助餐厅合理地规划食材的采购量和人员的雇佣数,从而能更好地控制人力成本和食材成本。另外,本文建立的属性类别情感倾向模型可以让消费者快速地、直观地了解到一家餐厅在各个方面的情况,起到一个辅助的作用。