本文關鍵詞：面向智能化市場營銷的數(shù)據(jù)挖掘方法研究

  更多相關文章： 市場營銷 社交網(wǎng)絡 影響力 房地產(chǎn) 多任務學習

【摘要】：隨著互聯(lián)網(wǎng)技術的發(fā)展,市場營銷朝著智能化方向發(fā)展。一方面,基于互 聯(lián)網(wǎng)技術的社交網(wǎng)絡成為市場營銷的重要平臺,受到工業(yè)界和學術界的廣泛關 注。另一方面,互聯(lián)網(wǎng)使得信息和數(shù)據(jù)更加透明化,基于對大量數(shù)據(jù)的挖掘分 析,可以為市場營銷決策提供支持。本文通過研究基于社交網(wǎng)絡的病毒營銷和 基于Web的房地產(chǎn)營銷,探索了市場營銷中兩個重要因素,即營銷受眾和售賣 時間。具體地,本文的研究貢獻總結(jié)如下：第一,我們發(fā)現(xiàn)傳統(tǒng)的用于對病毒營銷進行建模的影響力最大化模型下, 被影響人群的類別分布通常并不均衡,這意味著被影響人群的多樣性較低,因 此我們提出多樣化的影響力最大化計算框架,然后我們提出一類多樣性指標, 得到了一個具體的優(yōu)化目標。我們證明,該優(yōu)化目標具有單調(diào)非減和子模性質(zhì)。 考慮到計算每個節(jié)點的影響力分布的時間復雜度很高,我們對問題做了一個條 件松弛,用種子節(jié)點集合的多樣性代替被影響人群的多樣性。我們進一步將這 種思想拓展到影響力最大化的一些啟發(fā)式方法上,如度中心性和PageRank等。 實驗結(jié)果表明,我們提出的方法可以使得被影響人群更加多樣化,而且可以很 容易地在多樣性和影響力之間取得平衡。第二,房地產(chǎn)售賣時間(Days On Market,DOM)是衡量房地產(chǎn)市場活躍 程度的重要指標,對于房地產(chǎn)賣家和買家的決策有重要意義。已有的研究注重 分析和解釋價格和售賣時間的關系,卻缺乏定論。本研究中,我們將研究重心 從價格與售賣時間的關系轉(zhuǎn)移到通過運用機器學習方法來精確預測DOM。具 體地,我們首先獲取了一個商業(yè)地產(chǎn)公司在北京的房地產(chǎn)交易數(shù)據(jù)集,以及相 關的地理信息�；谶@些數(shù)據(jù),我們提取了五類特征,即房產(chǎn)屬性特征、小區(qū) 屬性特征、地理信息特征、時序特征、元特征。接著,我們提出了基于地理學 第一定律的多任務學習模型,并給出了求解的優(yōu)化算法。最后,實驗結(jié)果表明, 我們的方法在歸一化的均方根誤差(nMSE)和平均絕對誤差(MAE)等指標 上均優(yōu)于基線方法。
【關鍵詞】：市場營銷 社交網(wǎng)絡 影響力 房地產(chǎn) 多任務學習
【學位授予單位】：中國科學技術大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TP311.13;F274
【目錄】：

• 摘要5-6
• ABSTRACT6-8
• 目錄8-10
• 表格索引10-11
• 插圖索引11-12
• 算法索引12-13
• 第一章 緒論13-17
• 1.1 引言13-14
• 1.2 國內(nèi)外研究現(xiàn)狀14
• 1.3 研究內(nèi)容概述14-15
• 1.4 組織結(jié)構(gòu)概述15-17
• 第二章 面向病毒營銷的影響力多樣化方法17-35
• 2.1 引言17-18
• 2.2 相關工作18-19
• 2.2.1 社會影響最大化18
• 2.2.2 多樣性18-19
• 2.3 背景知識19-21
• 2.3.1 影響力最大化19-21
• 2.3.2 多樣性指標21
• 2.4 多樣化的影響力最大化21-25
• 2.4.1 通用的框架22-23
• 2.4.2 具體的形式化23-24
• 2.4.3 條件松弛和拓展24-25
• 2.4.4 算法25
• 2.5 實驗結(jié)果分析25-32
• 2.5.1 實驗數(shù)據(jù)集26-27
• 2.5.2 實驗用基準方法27
• 2.5.3 評價指標27-28
• 2.5.4 多樣化的影響力28
• 2.5.5 種子集合的多樣化28-30
• 2.5.6 多樣化的啟發(fā)式方法30
• 2.5.7 多樣化與影響力的折中30-31
• 2.5.8 方法效率比較31-32
• 2.6 本章小結(jié)32-35
• 第三章 面向房地產(chǎn)智能營銷的多任務學習方法35-55
• 3.1 引言35
• 3.2 相關工作35-37
• 3.2.1 房地產(chǎn)售賣時間35-36
• 3.2.2 多任務學習36-37
• 3.3 數(shù)據(jù)描述37-40
• 3.3.1 房地產(chǎn)市場數(shù)據(jù)37-39
• 3.3.2 相關地理信息數(shù)據(jù)39-40
• 3.4 特征抽取40-43
• 3.4.1 房產(chǎn)屬性特征41
• 3.4.2 小區(qū)屬性特征41
• 3.4.3 地理信息特征41-42
• 3.4.4 時序特征42-43
• 3.4.5 元特征43
• 3.5 售賣時間預測的多任務方法43-46
• 3.5.1 動機44
• 3.5.2 DOM預測模型和算法44-46
• 3.6 實驗結(jié)果分析46-52
• 3.6.1 實驗設置47-48
• 3.6.2 方法效果對比48
• 3.6.3 特征分析48-52
• 3.6.4 正則化項對比分析52
• 3.6.5 演示系統(tǒng)52
• 3.7 本章小結(jié)52-55
• 第四章 總結(jié)與展望55-57
• 4.1 工作總結(jié)55
• 4.2 未來研究展望55-57
• 參考文獻57-61
• 致謝61-63
• 在讀期間發(fā)表的學術論文與取得的研究成果63

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前2條

1 孫安龍;王佳佳;;酒店企業(yè)微博營銷效果影響因素與策略[J];鄭州航空工業(yè)管理學院學報;2013年03期

2 王玉蓮;;物流公司病毒營銷策略研究——以順豐為例[J];物流技術(裝備版);2013年09期

，

本文編號：675062