【摘要】：分眾營銷是針對傳統(tǒng)營銷的一種突破，其強調(diào)精確、細(xì)分、實效。微博則是近幾年最流行的新興網(wǎng)絡(luò)媒介，其信息傳播速度之快，用戶參與程度之高，用戶凝聚力之強大，正好與分眾營銷所需的條件不謀而合。 基于微博的分眾營銷，有兩個方面的問題非常重要，需要認(rèn)真研究，及時解決。第一：準(zhǔn)確的預(yù)測出營銷的產(chǎn)品有哪些用戶感興趣，并能引發(fā)這些用戶持續(xù)的關(guān)注與討論。第二，對于這些感興趣的用戶，采用何種方式進(jìn)行推薦，才有可能讓微博用戶主動關(guān)注廣告，信任廣告推薦內(nèi)容，得到最好的推薦效果。 針對如何準(zhǔn)確預(yù)測分眾營銷信息的傳播，本文提出了微博系統(tǒng)的信息傳播模型的概念，對微博信息的傳播過程進(jìn)行了描述，建立了微博信息傳播模型的數(shù)學(xué)公式，最后通過Nutch工具，抓取新浪微博的數(shù)據(jù)對模型進(jìn)行仿真分析，并將仿真分析結(jié)果與實際的話題傳播數(shù)據(jù)進(jìn)行了對比分析，驗證了本文的微博信息傳播模型能較好地契合實際。 針對采用何種有效的信息推薦傳播方式問題，本文在分析總結(jié)現(xiàn)有推薦算法的基礎(chǔ)上，結(jié)合微博數(shù)據(jù)特點，提出了一種在前融合推薦框架下采用基于人口統(tǒng)計學(xué)協(xié)同分析和內(nèi)容分析相融合的推薦算法OMCFA (Oriented MicroblogCollaboration-based Filtering Algorithm基于協(xié)同過濾的微博推薦算法)。該算法將用戶相似度和微博相似度融入推薦框架，采用貝葉斯混合效果回歸模型，通過馬爾科夫蒙特卡洛方法得到模型中的各個效用公式中各個參數(shù)的值。最后通過本文提出的信息傳播模型，抓取新浪微博數(shù)據(jù)對OMCFA進(jìn)行算法驗證，并與簡單的協(xié)同過濾算法、基于內(nèi)容的推薦算法相比較，分析結(jié)果，得出了OMCFA算法具有較好的推薦效果。 本文提出了微博系統(tǒng)的信息傳播模型和基于人口統(tǒng)計學(xué)協(xié)同分析和內(nèi)容分析相融合的推薦算法OMCFA，為基于微博的分眾營銷系統(tǒng)的研究奠定基礎(chǔ)。最后對于分眾營銷未來研究方向進(jìn)行了展望，認(rèn)為微博的獨特優(yōu)勢將讓它在分眾營銷中大有所為。
【圖文】：

圖 3.1 事件每日新增帖數(shù)從圖中可以看出，雖然同屬熱點事件，但三個話題信息的傳播規(guī)模差距較大。從曲線的趨勢可以看出，三個事件的擁有相似的傳播特征：事件發(fā)生后，短期內(nèi)達(dá)到話題信息傳播的峰值，之后迅速衰落，然后在某個時間點(tx)逐漸放緩，形成一條重尾曲線。因此，對于微博營銷，營銷的最好時間段為 [t 1 ,tx]， [t x ,tn]時間段內(nèi)，營銷的效果比較差。3.2.4 仿真分析根據(jù)公式 3.9，未知參數(shù)包括如下：公式（3.3）的λ ,公式（3.4）的 β 和公式（3.6）的ν ，，因此，在真實的話題傳播速率的基礎(chǔ)上，定義出關(guān)于三個自變量的方差公式如公式 3.10 所示：∑=Ψ= NnERtnNRtnN12((,,,)/`())1( λ,β,ν)λβν（3.10）本文要求得到的模型越貼近真實的傳播模型，則要求函數(shù) Ψ ( λ,β,ν)越小，因

一種基于微博分眾營銷的個性化推薦算法的研究與應(yīng)用表 3.1 參數(shù)最優(yōu)解表事件 傳染概率 λ 形狀參數(shù) β 知名度線性增長率ν Ψ( λ,β,ν)事件 1 0.15 0.57 0.1831.310 ×事件 2 0.09 0.66 0.0346.710 ×事件 3 0.11 0.59 0.0732.610 ×根據(jù)最優(yōu)解，得到三個事件的模擬傳播數(shù)據(jù)曲線，與實際的傳播數(shù)據(jù)曲線對比結(jié)果如圖 3.2 所示：
【學(xué)位授予單位】：湖南大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：TP393.092;TP391.3

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 許卓;;微博客的傳播優(yōu)勢及發(fā)展前景探析[J];今傳媒;2010年01期

2 劉濤;高健;;微博營銷:網(wǎng)絡(luò)時代的圖書營銷新體驗[J];出版發(fā)行研究;2010年05期

3 張巨才;;基于分眾時代的營銷傳播革命[J];中國廣告;2007年03期

4 邢春曉;高鳳榮;戰(zhàn)思南;周立柱;;適應(yīng)用戶興趣變化的協(xié)同過濾推薦算法[J];計算機研究與發(fā)展;2007年02期

5 王國霞;劉賀平;;個性化推薦系統(tǒng)綜述[J];計算機工程與應(yīng)用;2012年07期

6 溫會平;陳俊杰;;基于用戶模糊聚類的個性化推薦算法[J];計算機與數(shù)字工程;2008年02期

7 張光衛(wèi);李德毅;李鵬;康建初;陳桂生;;基于云模型的協(xié)同過濾推薦算法[J];軟件學(xué)報;2007年10期

8 許海玲;吳瀟;李曉東;閻保平;;互聯(lián)網(wǎng)推薦系統(tǒng)比較研究[J];軟件學(xué)報;2009年02期

9 李光斗;分眾營銷 新營銷利器[J];網(wǎng)際商務(wù);2003年10期

10 王喜瑋;王煦法;;一種利用作者興趣構(gòu)建博客圈的方法[J];小型微型計算機系統(tǒng);2009年12期

本文編號：2530554