Grazie alle vaccinazioni è possibile viaggiare dall’Italia verso l’estero, ma con limitazioni dovute al Covid che cambiano a seconda del paese di destinazione. In ogni caso, sono obbligatori i tamponi antigenici rapidi e ogni paese si regola diversamente per i documenti necessari per entrarvi.
Ho approfittato così di questo periodo per riprendere a viaggiare e sono stato due settimane a Barcellona (Spagna), ma dove alloggiare e che cosa visitare?
Se si può tornare a viaggiare per forza di cose si inizia cercando un alloggio quindi ho cercato su Airbnb dove poter stare in base ad alcuni criteri.
La posizione dell’appartamento che fosse vicino al centro di Barcellona e ad una fermata della metro TMB per potermi muovere liberamente. Il secondo criterio riguarda l’esperienza che offre l’host come se è amichevole, ospitale e attento alle tue necessità.
Dove alloggiare?
Traveling is an innate human need
Brian Chesky
Airbnb nasce nell’ottobre del 2007 a San Francisco dalla necessità di Brian Chesky e Joe Gebbia, due giovani designers neo-laureati alla Rhode Island School of Design (RISD), di trovare il modo di pagare l’affitto.
Nel gennaio del 2009 ebbero il primo finanziamento di 20.000 dollari da Y Combinator gestito dall’impenditore Paul Graham. Ribattezzarono il business da Airbed & Breakfast in Airbnb e nel marzo dello stesso anno Sequoia Capital garantì loro un capitale di 600.000 dollari. Nasce così una rivoluzione sul come si condividono gli spazi abitativi che avrebbe portato Airbnb a diventare il leader mondiale della sharing economy.
Airbnb scraper
Come prima cosa mi sono scritto uno scraper in python per Airbnb che mi permetesse di leggere più rapidamente i commenti degli utenti. Dall’url della barra di navigazione di Chrome siamo in grado di recuperare l’id dell’annuncio dell’appartamento a cui siamo interessati:
|
1 2 3 4 5 |
from airbnb_requests import AirbnbRequests from review import Review bnb = AirBnb() revs = bnb.reviews(listing_id=15739731) |
Il sistema di reputazione di Airbnb si basa su un sistema di rating che attribuisce un punteggio da 1 a 5 per valutare il comportamento sia dell’host che del proprietario.
Airbnb non mostra il punteggio di un singolo ospite, ma solo la media, rendendo meno chiaro identificare le recensioni positive e negative. Dal rating dei commenti capiamo che il proprietario è un superhost con una media di 4 stelle. Come ci suggerisce Airbnb: “i superhost sono host esperti che rappresentano un eccellente modello da seguire per altri host e propongono esperienze straordinarie ai propri ospiti”.
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 |
{ “reviews”:[...], “reviews_count”:25, “reviews_langs”:[ { “lang”:“en”, “count”:11 }, { “lang”:“de”, “count”:1 }, { “lang”:“es”, “count”:13 } ], “rate_avg”:4.423076923076923 } |
Parole targets
Quando cerco un appartamento una delle prime cose che controllo è se si trova in una buona posizione cioè vicino a un supermercati, a un coffee shop e alla presenza dei mezzi di trasporto (bus, metro, taxi).
Spacy è un framework di Natural Language Processing (NLP) che si occupa di implementare i più comuni task di nlp come tokenization, named entity recognition (NER), parti del discorso. Inoltre fornisce il supporto per diverse lingue con una lista di modelli preaddestrati. Dando un’occhiata ai commenti degli utenti ho capito che la maggior parte erano in lingua in inglese o spagnolo allora ho proveduto a scaricare i due i corrispettivi modelli .
Preprocessing del testo
Utilizzando Spacy ho tokenizzato il testo delle recensioni, alla ricerca di token che fossero identificati come punteggiatura in modo da poterli eliminare ed in questo modo evitare casi come : “hospitalidad!” in cui non viene riconosciuta la parola target perché vicino alla punteggiatura.
Prendiamo come esempio il seguente commento: “Great place, apartment and host. I recommend his place a lot!”
|
1 2 3 4 5 6 7 |
import spacy nlp = spacy.load(‘en_core_web_sm’) review = “Great place, apartment and host. I recommend his place a lot!” sentence = nlp(review) for token in sentence: print(token, token.pos_) |
Vediamo come a ogni token del commento sia stata assegnata una parte del discorso (Part of Speech, POS). Ad esempio, “host” è stato etichettato come nome (NOUN) , e la punteggiatura come PUNCT.
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 |
Great ADJ place NOUN , PUNCT apartment NOUN and CCONJ host NOUN . PUNCT I PRON recommend VERB his PRON place NOUN a DET lot NOUN ! PUNCT |
La tokenizzazione è uno step comune in molti tasks di NLP, che consiste nello spezzare un testo in parti come parole, punteggiatura creando così dei token.
Il task non è particolarmente complesso, ma presenta alcune insidie: per esempio se pensassimo di ottenere i tokens utilizzando gli spazi bianchi (white spaces), sbaglieremo con parole come “New York”. Per questo è sempre meglio utilizzare tokenizzatori come quello di Spacy che hanno una conoscenza specifica della lingua in quanto non avrebbe senso spezzare la città di New York in due tokens.
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 |
def preprocessing_text(text, language): “”“ Remove punctuaction ““” model = ” if language == ‘en’: model = ‘en_core_web_sm’ elif language == ‘es’: model = ‘es_core_news_sm’ nlp = spacy.load(model) s = nlp(text.lower()) text_no_punct = [token for token in s if not token.is_punct] clean_text = ‘ ‘.join(token.text for token in text_no_punct) return clean_text |
Commenti
La premessa di Airbnb è di far corrispondere i proprietari (host) con gli acquirenti (ospiti), utilizzando un sistema di reputazione reciproca. Entro 14 giorni dalla fine dell’esperienza dell’ospite, sia quest’ultimo che l’host possono scrivere un review esprimenendo le loro considerazioni sui rapporti intercorsi e la permanenza in casa.
Ho filtrato i commenti nelle due lingue con il maggior numero di recensioni creando così due liste:
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 |
import spacy from airbnb_requests import AirbnbRequests from review import Review bnb = AirBnb() revs = bnb.reviews(listing_id=15739731) en_reviews = list() es_reviews = list() for review in revs[‘reviews’]: if review[‘rating’] >= 4: if review[‘language’] == ‘en’: comment = clean_text(review[‘comment’], ‘en’) en_reviews.append(comment) elif review[‘language’] == ‘es’: comment = clean_text(review[‘comment’, ‘es’) es_reviews.append(comment) |
In inglese
Ho effettuato così la ricerca per parole targets nella lista in inglese:
|
1 |
target_en_words = [‘metro’, ‘location’] |
Degli 11 commenti in inglese solo 2 soddisfacevano i requisiti della ricerca:
- good location polite and service oriented asks for feedback very clean and safe brand new building. great value for money, i highly recommend
- thor is an amazing host the flat is clean and tidy and you can have your privacy or you can spend time talking or preparing food with thor although the flat is a little bit far from the barcelona centre it has an excellent position just 5 6min walk from the nearest metro station from where metro l1 takes you directly to the very heart of barcelona
Utilizzando invece le parole targets sull’esperienza offerta dall’host i risultati sono stati:
|
1 |
target_en_words = [‘friendly’, ‘hospitality’,‘privacy’] |
- nice place to stay gabriel is really friendly and helpful
- great place apartment and host i recommend his place a lot
- great clean trendy flat and welcoming friendly host would recommend
- great place thor was a great host
- thor is an amazing host the flat is clean and tidy and you can have your privacy or you can spend time talking or preparing food with thor although the flat is a little bit far from the barcelona centre it has an excellent position just 5 6min walk from the nearest metro station from where metro l1 takes you directly to the very heart of barcelona thor thank you once again for your hospitality
- really nice spacious apartment lovely host and a splendid stay thankyou gabriel for everything you are so helpfull
In spagnolo
Utilizzando le parole targets in base alla posizione dell’appartamento nella lista delle recensioni in spagnolo, i risultati sono stati che su 13 commenti solo 3 corrispendevano alla ricerca.
|
1 |
target_es_words = [‘metro’, ‘hospitalidad’, ‘cafeterías’, ‘restaurantes’,‘centro’] |
- el apartamento está impecable se encuentra muy cerca del metro y la hospitalidad es inmejorable
- una persona muy amable y súper atento siempre al pendiente de como te esta yendo la casa esta cerca a markets centros comerciales cafeterías restaurantes y los más importantes cerca al metro y muy muy cerca del centro infinitas recomendaciones para thor mejor host website hidden by airbnb vuelo a barcelona sin dudarlo volvería a la casa de thor todo es perfecto gracias mi estimado thor
- alojamiento acogedor tranquilo y próximo al metro si a esto le sumas el excelente trato de thor es uno de esos sitios a los que vuelves y recomiendas
Utilizzando invece parole targets sull’esperienza offerta dall’host i risultati sono stati
|
1 |
target_es_words = [‘hospitalidad’, ‘privacy’,‘host’] |
- el apartamento está impecable se encuentra muy cerca del metro y la hospitalidad es inmejorable
- una persona muy amable y súper atento siempre al pendiente de como te esta yendo la casa esta cerca a markets centros comerciales cafeterías restaurantes y los más importantes cerca al metro y muy muy cerca del centro infinitas recomendaciones para thor mejor host. vuelo a barcelona sin dudarlo volvería a la casa de thor todo es perfecto gracias mi estimado thor
Ho trovato l’appartamento!
Analizzando i risultati delle parole targets in inglese e spagnolo ho dedotto che l’appartamento doveva trovarsi vicino ad un fermata della metropolitana e che a pochi passi era possibile fare la spesa in diversi supermercati. Ed in caso fare una pausa dal lavoro in qualche coffee-shop in zona. Cosa più importante che l’host era amichevole (lovely, friendly) e molto disponbile a rispondere a tutti i tuoi dubbi sulla permanenza a Barcellona.
Sitografia
[1] Come Airbnb vuole cambiare il nostro modo di viaggiare dopo la pandemia