文摘
的背景下中国的市场经济的蓬勃发展,不断更新营销组合,促进各个行业的全面发展。社交媒体营销形成了一个相对坚实的理论和实践基础,特别是互联网技术的不断更新和迭代和改善人们的经验,要求我们必须找到方法来优化社会媒体营销的方法。本研究主要介绍几种优化方法基于深层神经网络和社交媒体营销的先进算法,基于实验的梯度反向传播算法和自适应亚当的优化算法表明,该优化算法可以很容易地实现全局最优状态基于反向传播算法的组合和亚当的优化算法。营销的准确性是非常重要的,所以我们介绍如何准确地市场的计划,计划是有效的。首先,FCE模型是由一个三层bp神经网络,然后,数据输入层的目的是实现模型的影响。
1。介绍
数字化的重要性增加了网络营销形式,包括社交媒体(SM)营销1]。社交媒体营销是一个有影响力的营销方法。喜欢或共享社会媒体信息可以增加受欢迎的凝聚力和信息传播的影响2]。社交媒体已经成为21世纪的一种沟通方式,使我们能够以一种新的方式表达我们的思想和感情(3]。当然,社会媒体营销的发展不是时尚的表现,但业务数字化的结果(4]。分析结果表明,社交媒体营销活动通过社会认同和感知价值间接影响满意度5]。目前,社交媒体营销在发展中商业活动起着重要的作用,和ICT支持提高社交媒体营销的效率(6]。我们都知道,社会媒体分析是一个复杂的过程,涉及一系列复杂的任务(7]。因此,本研究使用深层神经网络(8),进化算法(9)优化。首先,本研究分析了社会化媒体营销的现状(10),然后优化社会媒体营销方法使用深层神经网络模型和两种进化算法(SGD和亚当)[11]。优化后,三个实验结果进行了分析:梯度灵敏度分析和复杂的方法,这是与其他现有方法相比,即有限差分法、自动差分法,和分析方法(12]。结果是获得使用三层bp神经网络(摘要)13FCE考试的模式14)根据公式和分析层次结构。最后,亚当的详细的误差分析的方法得出结论(15]。
2。社会媒体营销的现状
2.1。社交媒体的概念
社交媒体指的是内容生产和交换平台根据用户在互联网上的关系。技术让人们写、参与评估、讨论,对个人和社会媒体交流工具和平台交换意见,想法,经验,和意见在这个阶段,主要是在编译的形式,论坛、演讲等等。随着互联网的兴起,社会媒体已经爆炸了。如今,它已成为人们沟通的主要工具,表达自己的观点,并分享他们的经验。人看似随意浏览。一旦网站中的信息是令人震惊的消息或重点内容,可以引起人们的注意,社交媒体首当其冲成为新闻传播的一种重要形式。值得强调的是,一个涉及到很多人,和其他涉及自动化。如果没有这些因素,社会媒体并不构成。社交媒体的发展依赖于Web 2.0。如果互联网不能为互联网用户提供更多的措施,社会媒体将失去公共基础和技术支持。
2.2。社会媒体营销的优势
社交媒体的特点是低阈值、高速度、低成本,也可以在企业营销中发挥重要作用,这意味着任何公司可以传播信息,通过社会媒体开展营销活动。平台,它通过评论迅速蔓延。一般来说,与传统营销相比,社交媒体营销通常是一种沟通方式,它也允许人们通过思想的影响表达他们的意见。可以分享他们的观点和内容。微博营销,公司可以通过语言有很强的相互作用,情感,其他形式的商业营销(或公众),社交媒体和网络营销。此外,长期成本,特别是与高质量的传统媒体相比,通过社会媒体和营销可以增加的影响。
使用社交媒体的交互性和共享性特征本身,您可以发布广告,产品相关介绍和其他信息。用户可以直接根据自己的兴趣点和选择内容与企业沟通。它帮助用户了解该品牌或企业的工作,以吸引消费者的注意力,调动消费者的购买力。
2.3。社交媒体营销的缺点
社会营销有自己的优势,但也存在一些问题,包括社交媒体营销的易用性。现有的公司不给予足够的关注问题的其他信息(16]。你不能得到太多关于社交媒体和内容营销方法的信息。在短时间内提高个人活动能带来利润。新时代的到来,没有细分的消费者。社交媒体帮助潜在的消费群体。他们仍然等待开发社交媒体营销策略。随着网络技术的发展,人们的生活逐渐转向互联网和移动互联网。然而,当我们享受互联网带来的便利,互联网的快速发展也给我们带来信息爆炸的问题。在互联网上,我们也将面对一个指数增加可用的信息(如商品和信息),以及如何快速挖掘出有用的信息对我们在这些巨大的信息数据已经成为一个迫在眉睫的问题需要解决,所以网络精准营销的概念出现在正确的时刻。不同行业和环境完全不同的营销策略。 How to make the marketing with different needs to achieve the overall promotion purpose is difficult, and it is necessary to achieve high quality, lower price difference, and high consumer participation. To better analyze the effect of enterprise marketing mix, thus, social media marketing optimization is expected to have a good prospect.
3所示。深层神经网络和进化算法的优化
由于神经网络在各个领域的出色表现,越来越多的研究者开始关注的参数(17优化神经网络。在最早的时候,一些传统优化算法也试图优化神经网络参数,如牛顿法和拟牛顿法(18]。然而,海赛矩阵的计算和反演消耗时间和空间。网络参数的增加,基于牛顿法的优化算法不适合优化神经网络(19]。目前,多数基于神经网络优化方法梯度优化方法。接下来,我们将详细介绍几个最受欢迎的优化算法。
3.1。SGD和亚当
随机梯度下降算法(20.)(SGD)。目前,SGD指的是基于小批量的梯度下降法,首次提出神经网络优化方法。从本质上讲,每个训练过程不计算整个数据集的梯度或样品的梯度,但计算的梯度的一小部分从数据集执行随机选择的样本权重更新(21]。批处理大小通常是32.64,256,等等,这是数据集的大小相关。通过这种不断的迭代训练,最终获得更好的重量参数。重量更新公式如下: 在哪里η是学习速率,它用于控制步长梯度更新的每一批,然后呢代表当前的批处理梯度tth迭代。这是基于基本形式的梯度反向传播算法。SGD也有一些缺点:(1)很难选择合适的学习速率,和所有参数都有相同的学习速率;(2)局部优化易于收敛和容易下降在某些情况下,这是鞍点。
为了解决这些缺陷,一个动态算法。它基本上模仿运动的概念在物理和取代实际的与之前的速度梯度。重量的公式如下:
其中,ψI年代动量因子,控制每个动量的影响。添加动力之后,在初始阶段的后裔,最后一个参数更新,和血统的方向是相同的。乘以一个更大的动量因子可以加速;降落在中间和结束,当地下价值上下波动,梯度趋于0,和脉冲系数将提高现代化的能力,跳出陷阱,防止振动,加速收敛。
亚当的优化算法。利用瞬时梯度估计,每个网络的学习速率老师可以调整。亚当的迭代优化算法主要是通过偏移校正率在一定的范围内,达到更稳定的参数的影响。公式如下:
µ和υ是一个参数,平衡这两个术语。可以看出,亚当算法形式学习速率的动态约束和有一定的范围。这意味着学习比率已经调整,以前的成绩的影响被考虑。不同的不同的参数自适应学习速率的计算也适用于大多数尚未解决的改进问题,无论是大型数据集或多维空间。神经网络必须是最普遍的。然而,上述改进算法基本上是一个梯度提升算法。随着网格层数的增加,梯度爆炸和颜色梯度消失了。这将发生在反向传播的过程,这使得网络模型困难的形成。与此同时,网络模型的初始化也将有一个重要的模型。目前,它通常可以找到一组适当的初始化参数只能通过不断的尝试。
3.2。FCE考试模式下摘要
模糊综合评价(FCE)指标体系是综合评价的基础。评价指标是否合适将直接影响综合评价的准确性。建设评价指标,本研究广泛涵盖了行业数据和相关专家意见的评价指标体系。为了更好地分析企业营销组合的影响,建立了四级EIS,包括4个主要指标(经济利益、消费者利益、内部操作,学习和增长),13个二级指标,33个三级指标表1。步骤1。建立判断矩阵。结合实际调查结果和索引值,确定了权重系数。比较后,矩阵是根据内部氧化物审判。步骤2。每一层的索引和计算一致性指数。的潜在根源,JM生成矩阵和特征向量计算和排序的应用程序: 在哪里λ马克斯是最大的潜在根源。
最后,它由sum-product计算方法λMax和确定重量ωt。其次,它测试的一致性判断矩阵JM由企业营销组合的决策者。一致性指数可以通过以下公式计算:
CR可以被定义为下面的公式: 在国际扶轮是一个随机对称平均指数。
FCE考试模式的三层神经网络在我们的方法中定义。该模型采用商业营销一体化战略的特点,把它作为投资的对象,将FCE考试作为产品的价值。摘要利用如图1。下面是详细描述的网络。
输入层节点决定主要是确定需要解决的问题在评价企业营销组合策略。我们使用代表输入层的节点数,和输出和输入层表示如下:
中间层的作用是解决输入指标的隶属度每个评估层。我们假设评价指标,所以我们需要节点。
成员函数被定义为公式(11), 。
成员函数被定义为公式(12), 。
和输出代表成员函数和评价等级的隶属度,分别。
输出层FCE考试是企业营销组合策略的输入向量,和评价向量对应的评价等级字段来自评估层次结构的字段。
不同行业和环境完全不同的营销策略。使与不同的需求来实现整体营销推广的目的,有必要实现高质量、低价格的差异,和高消费者参与。不仅如此,但它也集成了管理营销过程并提出业务框架。
FCE考试由下面的实现过程:步骤1:定义索引分类。 步骤2。每一层定义的索引内容。
主要指标为例来说明矩阵的施工过程。首先,E我评估使用我0的EIS数据。δij设置的粘度数据E我在j评估阶段。然后,EI的结果数据可以表示为一个模糊FI集团的模糊子集R评估小组(一个独特的评价组):
以每个单因素评价集的成员为一个元素的行,可以建立以下矩阵:
3.3。时空数据聚类
大量数据归一化,分析了k - means聚类(22]。M1和M2是简化业务数据集,和命令数据处理基于神经网络,以获得准确的时空数据23]。
大数据的并行计算模型可以实现使用一个人工神经网络来模拟生物神经元。如图2,和 ,分别代表了三层的控制状态,它们之间的相互变化输入状态和隐藏的状态。
3.3.1。数据输入层设计
样品提取米1和米2和随机分为训练和测试样本,充分考虑它们之间的平衡。这可以提高精确营销的准确性。
标准化过程中集群、m1和m2输入准确的营销决策。形成价值[0.2,0.8]。正常的公式如下:
在微观营销分类,广场是用来规范的总误差函数,和空间边界调整根据组件的整体差异原则,以获得一个新的模型的空间划分和相应的下降,甚至非常接近的功能标准。这里,用户购买频繁,购进货物的平均量(M1和M2分)和标准函数误差平方和的如下。
3.3.2。K——数据聚类过程
相似之处是根据对象的平均值计算m1和平方米集群。具体的算法流程如下:步骤1:使用欧氏距离方程(1随机分配所有对象k非空的集群。步骤2:计算的平均值m1集群和平方米集群,并使用平均值来表示相应的集群。步骤3:指定最近的米1集群和米2集群根据每个对象和中心之间的距离米1集群和米2集群。第四步:然后,把(2)重新计算每个集群的平均值。重复这个过程,直到的平方误差准则函数满足公式(3)。在数据聚类阶段,商业营销指标集X是输入k - means和区域之间的距离数据样本是相似的。用户的购物频率米1、购进货物的平均数量米2控制误差平方和准则函数的关系,并简化商业营销数据集的聚类结果,如图3。
根据图的描述3,蓝色的点是原始的商业营销数据集。
绿点是原始数据中心集合,和红点的聚类结果是用户的购物频率m1和购买的平均数量平方米。可以看出,聚合数据点的数量与原来的蓝色点相比显著降低。
4所示。结果分析
4.1。梯度灵敏度分析
灵敏度分析方法的基本原理是删除或改变组件的值并观察的变化决定的结果。组件与大决定结果的变化对应于重要的组件。灵敏度分析的应用只能回答哪些特性影响的分类结果输入数据,但不能回答更基本的问题,比如“为什么分类结果。”一般的灵敏度分析方法,阻塞的方法,使用一块灰色块图像观察的不同部分的标签图像分类结果的影响。这种方法的缺点是,很难确定尺寸,颜色,和块的位置,不同的解释结果可以获得通过选择不同的参数。样品灵敏度分析方法使小扰动改变训练样本,最后收敛的参数也会变化,然后获得参数的导数变化小扰动,即样品的影响函数。这种方法也可以应用于一代的对策样品。只添加一些看不见的扰动函数是一些样品和巨大的影响力足以干扰其他样品的判断结果。是一个黑盒方法。它检测模型与随机屏蔽多个输入的图像,得到相应的输出,并估计每个像素实验的重要性。实验效果比阻塞方法,毕业生凸轮,和生活。 Fido is a model diagnosis framework for calculating and visualizing the importance of classifier features. It marginalizes the occluded area and adjusts the generation model of the non-occluded part of the image to sample the counterfactual input that changes or retains the behavior of the classifier. Using a strong conditional generation model to generate a saliency map, it can better identify relevant and concentrated pixels.
凸起映射方法是做干扰像素,然后观察和分析模型的概率,并计算像素的梯度,得到的重要性。含碘法已广泛应用于计算机视觉任务。这是一个像素分解方法。据图结构,通过反向传播计算分数调整输入电平。调整过程遵循的原则保护。它的核心思想是根据输入神经元的激活函数分解的贡献,这是意识到一阶泰勒展开式的根。深度泰勒展开式的难度在于根点的选择。第一次使用此方法来解释层次网络的预测结果,然后用来解释卷积神经网络的预测结果。颜色梯度水平的层是用来绘制热图,强调像素在金字塔的重要性,并指出,总比和省产生一个,相当于使用颜色梯度计算在特定条件下激活值。分层相机的温度图组而保存原来的网络结构。 To solve the saturation problem, scientists suggest a step-by-step method to improve the artificial depth. In MNIST and other data sets, the method of lifting depth is better than the color gradient. Grad cam grade attribute-based method should meet the characteristics of sensitivity axiom and invariance axiom. The integrated gradient method proposed by scholars has strong theoretical rationality, but it still does not solve the interaction between input features and the logic adopted by the network: deconvolution network and guided back propagation violate the sensitivity axiom, and DeepLIFT and LRP methods; smoothness is a simple way to better understand gradient sensitive maps. General interpretation methods, such as grid graph, back propagation, and LPS, cannot be interpreted correctly in text (can be regarded as a simple depth model), let alone the depth of neural network. Based on the analysis of the linear model, the proposed pattern net and pattern attribution methods complete the theory of the linear classification model, improve and perfect the understanding depth neural network from the theoretical, qualitative, and quantitative aspects, and only need one back-propagation calculation, which can support the real-time visual interpretation of the model decision-making. Pattern net can estimate the correct direction of the signal, which improves the visualization process of deconvolution network and guided back propagation. Pattern attribution extends the deep Taylor decomposition method to learn how to set the root point from the data. It is worth noting that it is possible to attack the interpretation method, which will form a wrong interpretation.
4.2。FCE考试结果分析
两级FCE考试的结果如表所示1通过分析三级数据。结合三级数据评估营销集成系统的集成二级FCE考试结果,最后一级FCE考试结果。重量分析后,得到最终的FCE考试结果。600年进口最终结果数据样本为摘要训练,它可以接近两个样本之间的复杂的任务表2。
实际的品牌数据情况下用于验证模型在市场营销策略的作用。其中,收集网络大数据直接有效地避免了人为因素的影响。可视化技术形式的图片,可以让我们更直观地看到营销的效果。
积极的评论转发,不同的产品不同的数量随着时间的推移,如图4。营销战略的影响下,积极评价的品牌1、2和5的产品明显高于其他产品。六个品牌提出积极评价逐渐降低随着时间的推移,在第五天,逐渐趋向于0,特别是对不同品牌,转发量下降随着时间的模式是不同的,如品牌2,快速大幅下跌后第一天,维持一个相对稳定的水平,比较后,和品牌3增加了第二天,第三天开始下降。品牌4显示了一个每天定期稳步下降的趋势。总之,不同品牌之间的差异可能是由于该品牌的观众和客户群体。图5显示积极评论的转发量成正比的品牌影响力,和产品优化需求广泛传播评论。
超过1000万个数据样本在积极评价,meme,喜欢平均和标准化。基于比例系数μL,μC,μF,和μCF,消费者企业营销组合策略的影响趋势图。结合数据4- - - - - -6的影响,可以看出,消费者并不密切相关的评论或追随者数量重要的时期;消费者并没有太大的影响的频率相关评论。因此,评论的语义信息需要进一步挖掘。
图7显示了审查的趋势的三个品牌的产品。显然,这三个品牌的产品评估通常是积极的。尽管负面的词汇,评论有积极的影响对产品优化。图8显示评论我们的战略和产品优化的影响情绪。
4.3。误差分析
节3所示。3,该算法提取的特征数据和获得的误差平均值的销售数据对应的亚节。该算法使用特征数据提取算法操作期间及其段。为了提高输出的准确性,训练神经网络。的输出数据作为输入数据的层次神经网络表3和4使用。
采用误差反馈原则调整网格重量,我们可以看到从计算结果错误的和已知的网络模型输出与训练样本值小于某一期望值,最后实际误差值很小。当提取数据的特征t= 10,主数据中提取组将如图9。
5。结论
本研究提出了一种基于人工神经网络分析模型。Gradient-based repropagation算法和进化算法在生理上启发了全局优化算法近年来提出的。三层BP神经网络建立模糊综合评价模型的基础营销。此外,我们还设计了一个规范化的集群方案处理大量数据,欧几里得距离分类,建设适应精确营销目标函数。通过相关实验,证实了模型的有效性,和低空间相关性和初始数据冗余的问题在精准营销解决,以及对消费者决策的影响进行了分析。
数据可用性
使用的实验数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者声明,关于这项工作他们没有利益冲突。
确认
没有具体的资金来支持这项研究。