Research on the Key Elements of Airbnb Customers’ Room Monthly Reviews
Notice bibliographique
Résumé
Airbnb has become a frequent option when people start to plan their trips. The trend of Airbnb usage has shown that people are switching from regular hotel booking platforms like Expedia, Bookings, etc., to Airbnb while traveling to a new place. Airbnb is not only a platform that offers new options for hotel booking but also a lifestyle-sharing platform that allows travelers to share their living experiences from different destinations. What’s more interesting is that even during the Covid-19 pandemic, when people cannot travel or go outside, they can still interact with homeowners (hosts) on their chosen topic via streaming video. Therefore, those contents successfully attract more users who become passionate about the Airbnb experience and are willing to share their comments or reviews under each topic or location. This paper focuses on the renting industry. We select Airbnb and try to find the relationships behind different variables. We want to look at our database and use different languages to understand Airbnb in New York, such as multiple regression analysis. We have a database before the Covid-19 outbreak, which can fairly reflect the situation during the normal time. In order to find the relatively accurate correlation results, we want to confirm the correlations which confidently proclaimed that ‘calculated_host_listings_count’ has positively correlated with ‘Reviews_per_month’. This paper aims to identify the key elements that most impact customers submitting their monthly reviews and how those reviews motivate other customers to book their upcoming trips through Airbnb continuously.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».