论文部分内容阅读
在Web2.0时代,社会化媒体是用户获取信息的渠道,更是用户发布内容和建立关系的平台,相比传统媒体,其在信息内容多样性和信息传播实时性上已表现出显著优势。作为社会化媒体中一种重要的用户创造内容,在线负面口碑是消费者在互联网中对企业表达的负面观点和评论,有数量大、传播速度快、破坏力强、拒绝解释等特点,如果企业未能及时响应处理,会引发大面积的消费者不满,进而造成企业声誉受损,品牌价值降低等严重后果。在社会化媒体中,如何及时有效处理负面口碑是企业面临的挑战。 在线负面口碑有数量大、传播速度快等特点,传统人工处理方法成本高、处理速度慢,企业无法承担如此大的资源消耗。作为内容丰富、形式多样的数据概念,用户创造内容除了包含对企业有负面影响的负面口碑,还包含能处理负面口碑的资源。基于此,本文以用户创造内容为资源,通过设计合理的价值共创机制和专家推荐方法,解决在线负面口碑处理问题。具体包括以下几方面研究: 1)从在线负面口碑处理需求出发,构建由企业方、服务方和发布方三方参与的在线负面口碑处理价值共创模型。其中,首先从包含互动和资源整合两阶段的整体视角构建价值共创模型,然后从投入资源和价值收益过程出发分别建立企业方视角、服务方视角和发布方视角的单主体视角价值共创模型,最后设计在线负面口碑处理的专家推荐框架实现价值共创过程,并对框架中的负面口碑影响力预测、专家识别和专家推荐三个关键模块给出简单模型实现; 2)结合归因理论和在线负面口碑传播动机理论,在影响力预测中同时考虑发布方用户特征和内容特征两个维度,构建一种结合回归树和衰减函数的IMM-RTDF模型,在模型训练中对不同的叶子节点拟合不同的影响力衰减函数,以更准确地描述影响力衰减趋势,以此动态预测在线负面口碑的影响力,并提出基于此方法的在线负面口碑处理策略; 3)从价值共创资源视角出发,构建在线负面口碑处理专家识别的资源映射框架,从显性资源映射和隐性资源映射两阶段剖析专家识别过程。针对在线负面口碑处理特点,构建专家识别模型时,除了考虑体现用户专业水平的知识能力,还融入用户的情感能力,并借助情绪感染机制设计情感能力量化指标,同时,将用户互动程度引入能力特征空间,以此构建人工神经网络模型进行专家识别; 4)依据价值共创主体需求和实现基础,构建了综合知识匹配度、情感匹配度和互动性匹配度的负面口碑处理动态专家匹配度模型。其中,使用LDA主题模型计算知识匹配度,利用情绪感染机制建立模型计算情感匹配度,从近度、频度和强度三方面建立 RFS模型计算互动性匹配度,最后结合三部分实现对专家匹配度的动态建模,据此推荐专家进行在线负面口碑处理。 针对以上研究,本文用实验验证了方法和计算模型的有效性,为社会化媒体环境下在线负面口碑处理提供了新思路,为企业提高资源配置效率、增强客户关系管理水平提供了决策支持。