网红直播带货营销策略的调查研究
这是一篇关于网红直播带货,问卷调查,情感极性,模糊综合评价,网络爬虫的论文, 主要内容为2020年新冠疫情的冲击深刻的改变了人们的日常生活方式与生活习惯,严格的防疫指令,强制性的隔离政策很大程度冲击了线下实体经济的生产经营,却极大的促进了我国线下经济向线上转移的进程,而线上经济的繁荣催生出了宅经济、无接触经济的新业态,其中最为亮眼的莫过于直播带货这一新型的电商卖货形式。本文从直播带货中合作对象的筛选、用户的产品偏好、平台的选择、以及入场时机共四个角度开展研究得到如下结论。(1)对于网红的筛选上,品牌商若要致力于利用网红带货这一模式提高营销效率以及开拓稳定的销售群体,首先就要明确网红的自我包装所塑造的风格特征,是筛选出用户心理特征偏好最为强烈的网红主播作为商务合作的伙伴,对于品牌商而言将达到事半功倍的效果。(2)在用户的产品偏好上本文认为,各大品牌商要在直播带货中分的一杯羹应当意识到该种购物模式的主要受众是广大的年轻群体,特别是30岁以下的女性群体,高性价比好物与良好的产品质量以及不高的产品单价是吸引他们发生购买行为的主要因素。就目前而言,传统的电商平台上的直播带货在实现成交的概率上相较于异军突起的社交平台的直播带货更具优势。(3)对于平台的选择上,本文认为平台的评价不仅受到平台本身运营能力的影响,还受到直播号、视频号主播的行为的牵引,一个优秀的可持续发展的平台应当做到所售出商品的上架前监管、带货中监控以及售出后质保等一系列用户权益保障工作,选择具备这些特点的平台是各大品牌商保障自身品牌纯洁性以及维持长期商务合作不得不考量的关键因素。(4)对于入场时机的把握上,本文从社会关注度的角度出发,以公众媒体的新闻报道数量的变化判断合适的入场时机。认为从直播带货的社会关注度变化而言,每逢购物节前一两月都是入场直播带货不错的时机,顺势而为提前布局对于品牌商而言是一种不错的选择。
基于句子结构的中文微博情绪分析系统
这是一篇关于中文微博,中文分词,情感分析,情感极性的论文, 主要内容为随着互联网的高速发展以及移动终端的普及,社交网络对人们生活的影响日益增强。随着微博这种便捷并且具有极强即时性的社交网络渐渐进入网民的生活。越来越多的人会选择在微博上分享、获取信息,交流情感与观点。由于微博还具有极强的原创性以及其贴近大众的特点。通过对微博这种短文本进行情绪分析,可以实现舆情监控等许多功能。 情绪分析的含义是在情感极性倾向分析的基础上进行更细粒度的情绪分类。本文所设计的系统主要将情绪分类为愤怒、厌恶、恐惧、高兴、喜好、悲伤和惊讶七种情绪分类。通过分析中文微博的自身特点,其与英文微博的区别以及与传统书面语的差异,设计了本系统。数据来源为新浪微博。通过调用新浪微博官方提供的API接口获取一定数量的微博,提取出其中的微博内容、地域来源、终端来源等基本信息。在将微博内容进行去冗余标点等预处理后,利用中科院提供的开源分词系统以及哈工大的句子结构划分系统得到分词结果以及句子结构划分结果。最后,利用句子结构以及微博的话题、情感词库以及否定和程度副词词库进行量化计算出微博中对于关键词的情感细粒度分类结果,进而通过对愤怒、厌恶、恐惧、高兴、喜好、悲伤和惊讶七种情绪的极性划分,得到微博的情感极性倾向分析结果存入MySQL数据库。 利用jsp和tomcat,将MySQL数据库中的分析结果,以折线图、柱状图和饼状图的方式展现出来。并且用户可以根据地域来源、终端来源以及时间等基本信息分别查看关键词情感极性倾向。对于注册用户,可以在成功登陆后查看关键词的情绪分析结果。
基于图卷积神经网络的方面级情感分析研究
这是一篇关于方面级情感分析,情感极性,邻域表征,卷积神经网络,注意力机制,先验知识,图卷积神经网络的论文, 主要内容为随着科技的发展,社交网络变得日益繁荣,如何从海量文本信息中挖掘用户所表达的情感引起学者们的广泛关注,成为自然语言处理(Natural Language Processing,NLP)领域的研究热点。情感分析分为文档级、语句级和方面级三类,文档和语句情感分析分别将整篇文档或文档中的具体句子作为分析对象,常用于产品评价、影评和视频字幕等场景的文本内容情感识别。方面级情感分析(Aspect-based Sentiment Analysis,ABSA)旨在判断句子中的单词或短语的情感极性,以便更细腻分析句子或文档所蕴含的感情色彩,这里的单词或短语通常称之为“方面”(Aspect)。目前,基于深度神经网络的方面级情感分析已经成为研究主流,将其与其它编码结构结合,构建的深度网络模型受到了许多学者的青睐,但目前关于情感分析的研究方法,无法同时关注方面词的上下文和语法信息,且未引入语句的语义信息,导致模型无法正确判断方面的情感倾向。传统的情感分析方法可以提取具有固定几何关系的数据特征,而现实中存在许多含有图结构的数据信息,图卷积神经网络可有效捕捉图结构的依赖关系。因而本文以图卷积神经网络为基础,融合方面的不同邻域信息和语句的语义信息,进而构建不同的方面级情感分析模型,以捕获判定情感极性的关键特征,提高模型性能。本文的主要工作包括:(1)提出嵌入不同邻域表征(Embedding Different Neighborhood Representations,EDNR)的方面级情感分析模型。采用卷积神经网络并结合近邻策略来获取方面邻域信息,减小较远无关信息对情感极性的影响。同时,利用图卷积神经网络提取节点邻域信息,以获取句子的语法依赖关系。将两种邻域表征信息融合后,使用注意力机制对确定方面情感极性的重要信息进行特别关注。文中还提出一个信息评估系数,来评价上下文和语法信息对情感极性的影响程度。在5个公共数据集上进行实验,实验结果表明EDNR模型的有效性。(2)提出融合先验知识(Incorporate Prior Knowledge,IPK)的方面级情感分析模型。构造单词之间的知识图,利用图卷积神经网络来捕获知识图的依赖信息。根据输入文本,获取单词的词性信息。将词性特征与知识信息进行融合,可获得最终的先验知识特征表示。IPK模型为每个单词提供相应的语义和词性信息,减少了语句中情感信息表述模糊带来的不良影响,有效判别复杂自然语句中的方面情感极性。在标准数据集上与其它模型进行对比实验与分析,实验表明该模型可获得较高准确率和F1值。本文所提模型能够有效提取图结构的数据特征,且获得更丰富的情感信息编码,改善网络的方面级情感分析效果,推进ABSA任务在社交平台、电商平台或舆情平台等场景中的应用。
网红直播带货营销策略的调查研究
这是一篇关于网红直播带货,问卷调查,情感极性,模糊综合评价,网络爬虫的论文, 主要内容为2020年新冠疫情的冲击深刻的改变了人们的日常生活方式与生活习惯,严格的防疫指令,强制性的隔离政策很大程度冲击了线下实体经济的生产经营,却极大的促进了我国线下经济向线上转移的进程,而线上经济的繁荣催生出了宅经济、无接触经济的新业态,其中最为亮眼的莫过于直播带货这一新型的电商卖货形式。本文从直播带货中合作对象的筛选、用户的产品偏好、平台的选择、以及入场时机共四个角度开展研究得到如下结论。(1)对于网红的筛选上,品牌商若要致力于利用网红带货这一模式提高营销效率以及开拓稳定的销售群体,首先就要明确网红的自我包装所塑造的风格特征,是筛选出用户心理特征偏好最为强烈的网红主播作为商务合作的伙伴,对于品牌商而言将达到事半功倍的效果。(2)在用户的产品偏好上本文认为,各大品牌商要在直播带货中分的一杯羹应当意识到该种购物模式的主要受众是广大的年轻群体,特别是30岁以下的女性群体,高性价比好物与良好的产品质量以及不高的产品单价是吸引他们发生购买行为的主要因素。就目前而言,传统的电商平台上的直播带货在实现成交的概率上相较于异军突起的社交平台的直播带货更具优势。(3)对于平台的选择上,本文认为平台的评价不仅受到平台本身运营能力的影响,还受到直播号、视频号主播的行为的牵引,一个优秀的可持续发展的平台应当做到所售出商品的上架前监管、带货中监控以及售出后质保等一系列用户权益保障工作,选择具备这些特点的平台是各大品牌商保障自身品牌纯洁性以及维持长期商务合作不得不考量的关键因素。(4)对于入场时机的把握上,本文从社会关注度的角度出发,以公众媒体的新闻报道数量的变化判断合适的入场时机。认为从直播带货的社会关注度变化而言,每逢购物节前一两月都是入场直播带货不错的时机,顺势而为提前布局对于品牌商而言是一种不错的选择。
基于图卷积神经网络的方面级情感分析研究
这是一篇关于方面级情感分析,情感极性,邻域表征,卷积神经网络,注意力机制,先验知识,图卷积神经网络的论文, 主要内容为随着科技的发展,社交网络变得日益繁荣,如何从海量文本信息中挖掘用户所表达的情感引起学者们的广泛关注,成为自然语言处理(Natural Language Processing,NLP)领域的研究热点。情感分析分为文档级、语句级和方面级三类,文档和语句情感分析分别将整篇文档或文档中的具体句子作为分析对象,常用于产品评价、影评和视频字幕等场景的文本内容情感识别。方面级情感分析(Aspect-based Sentiment Analysis,ABSA)旨在判断句子中的单词或短语的情感极性,以便更细腻分析句子或文档所蕴含的感情色彩,这里的单词或短语通常称之为“方面”(Aspect)。目前,基于深度神经网络的方面级情感分析已经成为研究主流,将其与其它编码结构结合,构建的深度网络模型受到了许多学者的青睐,但目前关于情感分析的研究方法,无法同时关注方面词的上下文和语法信息,且未引入语句的语义信息,导致模型无法正确判断方面的情感倾向。传统的情感分析方法可以提取具有固定几何关系的数据特征,而现实中存在许多含有图结构的数据信息,图卷积神经网络可有效捕捉图结构的依赖关系。因而本文以图卷积神经网络为基础,融合方面的不同邻域信息和语句的语义信息,进而构建不同的方面级情感分析模型,以捕获判定情感极性的关键特征,提高模型性能。本文的主要工作包括:(1)提出嵌入不同邻域表征(Embedding Different Neighborhood Representations,EDNR)的方面级情感分析模型。采用卷积神经网络并结合近邻策略来获取方面邻域信息,减小较远无关信息对情感极性的影响。同时,利用图卷积神经网络提取节点邻域信息,以获取句子的语法依赖关系。将两种邻域表征信息融合后,使用注意力机制对确定方面情感极性的重要信息进行特别关注。文中还提出一个信息评估系数,来评价上下文和语法信息对情感极性的影响程度。在5个公共数据集上进行实验,实验结果表明EDNR模型的有效性。(2)提出融合先验知识(Incorporate Prior Knowledge,IPK)的方面级情感分析模型。构造单词之间的知识图,利用图卷积神经网络来捕获知识图的依赖信息。根据输入文本,获取单词的词性信息。将词性特征与知识信息进行融合,可获得最终的先验知识特征表示。IPK模型为每个单词提供相应的语义和词性信息,减少了语句中情感信息表述模糊带来的不良影响,有效判别复杂自然语句中的方面情感极性。在标准数据集上与其它模型进行对比实验与分析,实验表明该模型可获得较高准确率和F1值。本文所提模型能够有效提取图结构的数据特征,且获得更丰富的情感信息编码,改善网络的方面级情感分析效果,推进ABSA任务在社交平台、电商平台或舆情平台等场景中的应用。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码导航 ，原文地址：https://m.bishedaima.com/lunwen/53690.html
