Sentimentanalys av hotellrecensioner över språkgränser via multi-agent federated learning med heterogena grafuppmärksamhetsnätverk

Varför online-hotelrecensioner spelar roll

Att välja hotell börjar i allt större utsträckning med att bläddra igenom andra resenärers omdömen. Dessa recensioner förekommer på många språk och från många webbplatser, och de kan göra eller förstöra ett hotells rykte och intäkter. Denna artikel beskriver ett nytt system som läser hotellrecensioner på flera språk samtidigt, avgör om de är positiva eller negativa, och varnar hotellchefer i ett tidigt skede när deras rykte är på väg att förändras — allt medan gästers data hålls säkert lagrade där de skrevs.

Många språk, många plattformar, ett problem

Idag publicerar resenärer recensioner på engelska, kinesiska, franska, tyska och i blandade språkliga stilar över bokningssajter som Booking.com, TripAdvisor, Agoda och Ctrip. Befintliga verktyg översätter ofta allt till ett språk och analyserar det, vilket kan förvränga betydelsen, särskilt i mindre eller kultur-specifika språk. Andra verktyg skickar all recensionstext till en central server, vilket väcker integritetsoro och kan strida mot strikta dataskyddslagar. Resultatet blir att hotell kan missa subtila skiftningar i gästnöjdhet eller inte upptäcka samordnade attacker med falska recensioner i tid för att reagera.

Samarbete utan delning av rådata

Författarna föreslår en ”federated” lösning där varje deltagande sajt–språk-par kör en lokal mjukvaruagent. Dessa agenter lär sig av sina egna recensioner, men istället för att skicka råtexten till en central nav delar de endast matematiska uppdateringar av en gemensam modell. Ett samordningslager kombinerar dessa uppdateringar och skickar tillbaka en förbättrad modell till alla parter. Ytterligare skyddsåtgärder, som att tillsätta noggrant kalibrerat brus och kryptera uppdateringarna, gör det mycket svårt för någon att rekonstruera vad en enskild gäst faktiskt skrev. Denna design gör det möjligt för systemet att lära från 154 680 recensioner på fyra språk samtidigt som det håller sig inom moderna sekretessregler.

Att se recensioner som ett levande nätverk

I stället för att behandla varje recension som ett isolerat textblock omvandlar systemet hela recensionuniversumet till ett rikt nätverk. I detta nätverk representerar noder gäster, hotell, recensioner, språk och tidpunkter, och länkar fångar vem som bodde var, när de skrev och på vilket språk. En speciell typ av neuralt nätverk ”ser” sedan över detta nätverk och fäster mer uppmärksamhet vid de mest informativa kopplingarna, såsom pålitliga granskare eller återkommande mönster i ett visst språk. Detta tillvägagångssätt gör att modellen kan plocka upp både universella signaler (”utmärkt läge”, ”smutsigt rum”) och språkspecifika fraser eller vanor som vanliga flerspråkiga modeller ofta missar.

Från sentimentpoäng till live-rykte och varningar om falska recensioner

Ovanpå denna flerspråkiga motor bygger författarna en rykteövervakare som följer hur ett hotells status förändras över tid. Systemet letar efter kraftiga ökningar av negativa kommentarer, långsamma men stadiga förbättringar efter tjänsteuppgraderingar och ovanliga aktivitetsutbrott som kan signalera organiserad manipulation. Det analyserar skrivstil, tidpunkter och granskares beteende för att filtrera bort falska eller misstänkta recensioner, och uppdaterar ett hotells ryktepoäng i nära realtid. I tester identifierade systemet falska recensioner med över 93 % noggrannhet och kunde flagga stora ryktesskiften i genomsnitt drygt tre dagar innan de blev uppenbara på offentliga betygssidor.

Vad detta betyder för resenärer och hotell

För en allmän läsare är budskapet att det nu är möjligt att kombinera recensioner från flera språk och plattformar till en enda, integritetsmedveten bild av hotellkvalitet. Det föreslagna systemet klassificerar sentiments mer exakt än ledande språkmodeller, hanterar data varsammare än centraliserade tjänster och upptäcker både verkliga problem och misstänkta recensionsmönster tidigare än traditionella verktyg. I praktiken innebär detta att resenärer kan lita på mer tillförlitliga betyg och sammanfattningar, medan hotell får en tidigvarningspanel som uppmuntrar dem att åtgärda problem snabbt och svara gäster mer effektivt — allt utan att exponera personlig recensionsdata utöver där den ursprungligen publicerades.

Citering: Han, X. Cross-language hotel review sentiment analysis via multi-agent federated learning with heterogeneous graph attention networks. Sci Rep 16, 12681 (2026). https://doi.org/10.1038/s41598-026-41500-8

Nyckelord: hotellrecensioner, sentimentanalys, federated learning, upptäckt av falska recensioner, online-rykte