旅游活动碳足迹模型表示，游客参与不同的旅游活动产生的碳足迹值不同。运动体验类的旅游活动比休闲度假类的活动产生的碳排放量更高。为了更准确地估算旅游活动的碳足迹，需要先挖掘游客在旅游地的旅游活动。姚治国 [ 3 ] 采用市场调研的方法，调研了海南省游客的出行距离、停留时间、旅游活动等信息。一些学者 [ 2 ] [ 3 ] [ 4 ] 通过查询各地区的旅游统计年鉴中的数据来估算分析旅游活动的碳足迹。在旅游领域的个性化推荐中，学者为了提高推荐的精确性，会将游客的历史旅游记录作为推荐依据。De等 [ 5 ] 研究游客分享在社交网络上的旅游照片，分析游客旅游活动；ARASE等 [ 6 ] 分析游客发布的照片以及所带的标签和标题，YIN等 [ 7 ] 分析游客在景点的签到数据，数据包括签到地名称、地理位置、签到时间等，构建游客活动画像。Yu等 [ 8 ] 基于LBSNs (Location-Based Social Network Services)的签到数据获得游客所在地点的信息，并对地点的类型细分，更加细粒度分析游客的浏览行为。吴清霞等 [ 9 ] 认为游客在每个POI (Point of Information)停留的时间可以反映他对此类POI的偏好程度，将旅游地点和停留时间共同作为活动特征。文献 [ 10 ] [ 11 ] 分析了游记中的图片和文字描述，挖掘出游客的历史行为轨迹，作为路线推荐的依据。孙文平等 [ 12 ] 首先基于结构化知识库构建景点信息，获得景点的平均浏览时长，再从游记中抽取旅游天数、旅游路线、游客类型等属性，利用景点位置属性计算景点间交通时间，详细刻画游客的浏览行为，提出一种有效的旅游路线推荐方案。

上述方法主要是分析游客浏览旅游景点的行为轨迹，缺少细粒度的旅游过程的研究，比如旅游活动、活动体验等。而游客在各景点也会参与不同的旅游活动，各项旅游活动的碳排放系数具有差异，分析游客的具体活动能比较准确地估算碳排放。游客在游记中的情感表达反映了游客的活动体验，侧面体现了游客对此活动的兴趣度和满意度。游客的满意度高，未来再次参加此活动以及其他游客参加此活动的概率更大，因此分析游客群体对某旅游活动的情感可以用于预测此活动未来的走势。综上所述，本文将从旅游活动和活动情感的角度，细粒度分析游客的旅游行为，估算旅游活动中的碳排放情况。

用户的情感表达往往是针对某个对象的。对长文本仅做篇章级的情感分析，只能粗粒度地了解用户整体的情感，不能得知用户情感抒发的对象，深入挖掘用户的兴趣点。细粒度的情感挖掘，可以将文本中的情感词和它对应的评价对象(特征)作为词对抽取出来，更加高效，准确地挖掘用户感兴趣的点。文献 [ 13 ] 采用关联规则将名词或名词短语作为特征，将距离特征词最近的形容词作为情感词抽取，此类方法没有考虑特征词和情感词的长距离搭配。廖祥文等 [ 14 ] 采用词对齐模型抽取特征–情感词对，再考虑特征和情感词的依存关系，构建多层关系图模型，利用随机游走算法筛选出置信度高的词对。王素格等 [ 15 ] 利用词对间的依存句法关系，构建特征和情感词的组块规则，设计候选特征的识别方法，抽取出特征–情感词对。张凌等 [ 16 ] 先以情感词为基准搜索带标注的情感对象，通过计算先验概率进行词性剪枝和模板筛选，提取原子情感对象。运用基于斯坦福句法树的依存规则，将原子情感对象扩展为完整的情感要素。张建华等 [ 17 ] 构建名词短语的词性规则抽取模板，再结合八种依存关系抽取，结合两种方法的优点，在数据集上表现较好。邱云飞等 [ 18 ] 根据中文词性特征构建规则提取评价对象，结合句法结构树提取并筛选评价对象，基于核心句法路径筛选评价搭配，得到最终的评价对象和评价词对。江腾蛟等 [ 19 ] 针对金融评论评价对象构成复杂，情感词多为动词的特点，提出结合了语义角色标注和依存句法分析的抽取规则，并对虚指评价对象和隐式评价对象进行识别和替换。

对当前的特征–情感词对抽取方法的梳理中发现，现有的方法仅考虑了特征是名词或名词短语的情况。这种抽取方式适用于较短的评论文本，因为评论文本的评价对象以名词为主。而针对较长的游记，此类抽取方法会缺失特征是动词或动词短语的情况，导致语义不完备。游记中游客的情感表达并不仅仅是对名词事物，也会针对旅途中的行为活动。因此本文针对游记等长文本，提出特征词以动词、动词短语为主的词对抽取方法，获取游客旅游活动和对应的活动情感的词对。

抽取旅游活动及其对应情感词，以词对的形式展示。首先基于词性规则进行提取，再结合依存关系的规则，弥补单纯运用词性规则存在的抽取遗漏和不完整的问题，最后对两种方法获得的词对进行筛选过滤，最终实现旅游活动情感特征的抽取。

旅游碳足迹是指旅游者在交通、住宿、餐饮、各类娱乐活动等过程中直接和间接产生CO₂排放量的总和。按照“自上而下”的分析方法，旅游过程产生的碳足迹可以分解为旅游交通碳足迹、旅游住宿碳足迹和旅游活动碳足迹。游客参与不同的旅游活动会产生不同大小的碳排放。旅游活动的碳足迹模型是用于估算不同旅游活动中产生的碳排放量。

1) 传统旅游活动碳足迹模型

传统的旅游活动碳足迹模型一般用于估算某一地区的旅游活动碳排放量 [ 4 ]，计算公式为：

CA = ∑ j ( N t × W j × P j ) (1)

其中CA为旅游活动产生的碳排放量，N_t为t时期的游客总数，W_j代表第j类出行目的的游客比例，P_j代表第j类旅游活动的单位碳排放系数(千克/人)。

2) 基于游客体验的个人旅游活动碳足迹模型

个人旅游活动碳足迹模型表示游客个人在旅途中产生的碳排放。可以从个体出发，引导每位游客减少旅游碳排放，总体达到节能减排的目的。本文在传统的旅游活动碳足迹模型 [ 4 ] 中加入情感倾向系数S，计算公式为：

CP = ∑ j ( M t × A j × P j × S j ) (2)

其中CP为某位游客的旅游活动碳排放量，M_t代表t时期g该游客的旅游活动次数，A_j代表游客参加第j类旅游活动的占比，P_j代表第j类旅游活动的单位碳排放系数，S_j代表该游客对第j类旅游活动的情感倾向系数。

3) 基于游客体验的地区旅游活动碳足迹模型

地区旅游活动碳足迹模型可以分析某地区不同旅游活动的碳排放量，指导旅游地的节能减排工作。地区旅游活动碳足迹模型可以看作是大量旅游个体在同一旅游地的碳排放量，同样加入了情感倾向系数S，计算公式为：

CR = ∑ j ( N t × A j × P j × S j ) (3)

其中CR为该地区的旅游活动碳排放量，N_t为t时期的游客总数，A_j代表游客中参加第j类旅游活动的占比，P_j代表第j类旅游活动的单位碳排放系数，S_j代表第j类旅游活动的情感倾向系数。

4) 情感倾向系数S

情感倾向系数S主要是计算游客情感的积极或消极程度，反映了游客对某类活动的兴趣度和满意度，一定程度上可以用于预测旅游活动的未来发展趋势。系数S的区间设定为[0,1]，分值越接近1表明情感积极程度越高，分值越接近0表明情感消极程度越高。在地区旅游活动碳足迹模型中，S越大表示此活动受到游客的普遍好评，未来有更多游客参与此类活动的趋势；在个人旅游活动碳足迹模型中，S越大表示该游客更加偏好此类活动，未来会更频繁参与此类活动。

因此，对旅游活动的情感进行情感分析，判断其正负极性，给出情感值。基于百度AI平台中的情感分析功能，输入词对，得到每项旅游活动的情感值t_i，情感值的区间为[0,1]，分值越接近1表明情感积极程度越高，分值越接近0表明情感消极程度越高。

对于相同的活动，S则为该活动的平均情感倾向系数，每次活动的情感值记为t_i，

S = 1 n ∑ i = 1 i = n t i (4)

本文从携程网上爬取了旅游游记作为实验数据，分别选取2019年关于海南的10篇旅游游记和2019年某位游客的10篇游记作为分析语料。分别分析游客个人的旅游活动碳排放情况和海南省旅游活动的碳排放情况。

根据参考文献 [ 3 ] 的数据，不同旅游活动的碳排放系数存在差异。基于内燃发动机动力系统的旅游活动类型具有较高的碳排放系数，基于自然条件开展的旅游活动的碳排放系数较小。各项旅游活动对应的碳排放系数如表5所示。

选取2019年一位游客的10篇游记作为语料，按照本文方法抽取词对，获得523个词对。按照表5的旅游活动分类，将词对汇总统计后，该游客总共有186次旅游活动，其中自然观光类占24.1%，文艺观赏类占14.1%，普通运动类占53.8%，高端活动类占8.1%。

表5. 旅游活动的碳排放系数

情感倾向系数S的计算，主要基于百度AI平台中的情感分析功能，输入情感词计算情感值，最后再得到该旅游活动总体情感倾向系数。

根据3.2中的公式(2)，可以估算这位游客的旅游活动碳排放量如表6，其中“碳排放量1”未考虑情感倾向系数，“碳排放量2”增加了情感倾向系数的影响，“碳排放量排名1”是按照“碳排放量1”中的数据降序排列，“碳排放量排名2”是按照“碳排放量3”中的数据降序排列。

表6. 游客个人旅游活动的碳排放量

对游记文本数据预处理后，按照本文方法抽取旅游活动–情感词对，总共获得466个词对。

先筛选过滤非四大类活动的词(如：吃饭)，同样按照表5的旅游活动分类，将词对汇总统计后，自然观光类占24.1%，文艺观赏类占14.1%，普通运动类占53.8%，高端活动类占8.1%。

估算海南省整体的旅游活动碳排放情况，根据智研咨询发布的报告 [ 23 ]，2019年全年海南省接待游客数量8311万人次。根据3.2中的公式(3)，可以估算各类旅游活动的碳排放量如表7，其中“碳排放量1”未考虑情感倾向系数，“碳排放量2”增加了情感倾向系数的影响，“碳排放量排名1”是按照“碳排放量1”中的数据降序排列，“碳排放量排名2”是按照“碳排放量3”中的数据降序排列。

表7. 海南省旅游活动的碳排放量

根据4.2节中游客个人的碳足迹结果，碳排放量最高的高端活动在游客活动中占比最小且情感积极程度最低，可以看出该游客对此类活动的兴趣度较低，未来可以进一步减少此类活动。而碳排放量最低的文艺欣赏类活动是游客的兴趣偏好所在，未来可以进一步增大此类活动占比，从游客个体出发减少旅游活动碳排放，整体实现碳中和旅游。

地区旅游活动碳排放模型即大量旅游个体在地区的碳排放情况。根据4.3节中海南省的旅游活动碳足迹来看，不考虑情感倾向时，游艇、高尔夫等高端活动的碳排放量最高，其次是潜水、游泳、冲浪等普通运动类。而加入情感倾向系数后，普通运动类的碳排放量超过了高端运动类。这是由于游客对普通运动类的情感更加积极，游客对该类活动的满意度更高，未来预期将会有更多人参与其中。实验表明，融入情感倾向系数能够动态预测未来的碳排放趋势。海南省旅游管理部门在限制游艇游轮等活动的同时，也要控制潜水冲浪等活动的人数。