是一种主流的用户友好的方式来聚合这些信息。因此教授们设计了一种算法来识别上的评论文本如何与监管检查相关联。他们发现食品处理违规行为是通过生病和恶心等词语来预测的而害虫的存在是通过蟑螂和肮脏等词语来预测的。他们写道语义联系让我们确信阅读这些评论的消费者实际上可以推断出卫生信息。毫不奇怪顾客并不急于参观这些企业。教授们的机器学习模型帮助他们识别了最负面的卫生评论以便比较餐厅在提交此类评论前后两周内售完的概率。
他们发现在受到差评后餐厅
在上售空的可能性会降低到个百分点即售空概率降低到。些数字数据有助于他们做得更好。他们还比较了网站上审查的各餐厅的卫生合规情况。分析发现知名度较高的餐厅往往在评论中提到的卫生问题上违规较少这表明餐厅在清理时确 安道尔电子邮件列表 实可能会考虑到评论。法罗纳托认为数字工具可以简化检查流程这对于资金短缺的城市来说成本高昂。我希望监管机构开始看到所有这些数字数据有助于他们通过两种方式做得更好一是更有效地做他们所做的事情二是做得更少因为他们可以将某些事情外包给人群她说。
众包并不完美不过众包也
有其局限性。研究小组表示对于等评论网站来说发布反映当前状况的按时间顺序排列的评论非常重要因为卫生状况可能会因新管理层和 员 通辽电话号码表 工的不同而有很大差异。评论网站应谨慎确保评论的新鲜度与当前状态一致法罗纳托警告说。在一个利润微薄的行业中一些过时但显眼的评论可能会让一家餐厅彻底沉沦。
