分享
分享赚钱 收藏 举报 版权申诉 / 134

类型7. 社交网络分析对企业管理的影响研究.ppt

  • 上传人:czsj190
  • 文档编号:4789431
  • 上传时间:2019-01-13
  • 格式:PPT
  • 页数:134
  • 大小:14.91MB
  • 配套讲稿:

    如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。

    特殊限制:

    部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。

    关 键  词:
    7. 社交网络分析对企业管理的影响研究.ppt
    资源描述:

    1、,社交网络分析对企业管理 的影响研究,齐佳音 教授社会化网络信息管理与服务中心,北京邮电大学,对未来社会的预判及在线社交网络解读,1,在线社交网络对企业管理的影响,2,未来互联网环境解读,宽带互联网,高速移动网,泛在融合网,智慧社会网,云计算 物联网,移动网络,物联网,智慧处理,未来互联网环境解读,云计算 物联网,移动网络,物联网,智慧处理,社会网络化,宽带互联网,高速移动网,泛在融合网,智慧社会网,宽带互联网,高速移动网,泛在融合网,智慧社会网,未来互联网环境解读,e,互联网,信息共享 (Web1.0),未来互联网环境解读,e,互联网,信息共享 (Web1.0),信息共建 (Web2.0),

    2、未来互联网环境解读,e,互联网,信息共享 (Web1.0),信息共建 (Web2.0),知识传承 (Web3.0),群体知识,未来互联网环境解读,e,互联网,知识分类A,知识分类B,知识分类C,知识分类B,A类用户,B类用户,C类用户,D类用户,信息共享 (Web1.0),信息共建 (Web2.0),知识传承 (Web3.0),知识分配 (Web4.0),群体知识,未来互联网环境解读,e,互联网,知识分类A,知识分类B,知识分类C,知识分类B,A类用户,B类用户,C类用户,D类用户,虚拟社会,信息共享 (Web1.0),信息共建 (Web2.0),知识传承 (Web3.0),知识分配 (Web

    3、4.0),虚拟社会 (Web5.0),群体知识,社会网络化,宽带互联网,高速移动网,泛在融合网,智慧社会网,网络社会化,信息共享 (Web1.0),信息共建 (Web2.0),知识传承 (Web3.0),知识分配 (Web4.0),虚拟社会 (Web5.0),信息共享 (Web1.0),信息共建 (Web2.0),知识传承 (Web3.0),知识分配 (Web4.0),虚拟社会 (Web5.0),现实虚拟社会 融合共生,未来互联网环境解读,社会网络化,当前互联网环境解读,宽带互联网,高速移动网,泛在融合网,智慧社会网,网络社会化,信息共享 (Web1.0),信息共建 (Web2.0),知识传承

    4、 (Web3.0),知识分配 (Web4.0),虚拟社会 (Web5.0),社会网络化,当前互联网环境解读,网络社会化,虚拟社会,现实社会,当前互联网环境解读,虚拟社会,现实社会,用户产生内容,用户交互行为,用户自组织网络,网络社团群体智慧,虚拟社会功能,权威机构代理社会管理,权威机构官方内容发布,可控可管信息通道,可定向受众行为,可管控无发言权的信息受众,快速进化,缓慢演进,当前互联网环境解读,用户产生内容,用户交互行为,用户自组织网络,网络社团群体智慧,虚拟社会功能,虚拟社会,权威机构代替社会管理,权威机构官方内容发布,可控可管信息通道,可定向受众行为,可管控无发言权的信息受众,现实社会,

    5、快速进化,缓慢演进,虚拟人格,个体交互行为,自治社团,群体倾向,现实人格,个体孤立行为,组织机构,主流价值观,当前互联网环境解读,虚拟社会,现实社会,虚拟社会,现实社会,当前互联网环境解读,虚拟社会,现实社会,当前互联网环境解读,虚拟社会,现实社会,冲突本质:,旧平衡,现在,新平衡,发生偏离,仍未达到,研究需求:WEB2.0虚拟社会与物理社会要素作用机制研究WEB2.0虚拟社会主体自组织行为规律发现及其约束/激励机制研究WEB2.0网络环境下物理社会演变进化模式研究,2019/1/13,18,在线社交网络的理解和定义,在线社交网络:一种由社会个体集合及个体之间的连接关系构成的社会性结构。,在线

    6、社交网络:一种由社会个体集合及个体之间的连接关系构成的社会性结构。根据欧盟的Key areas in the public sector impact of social computing,在线社交网络可分为微博类、在线社交类、即时消息类、共享空间其他类四类。,微博类,在线社交类,即时消息类,共享空间 等其他类,http:/www.tno.nl/downloads/social_computing_impact_220609_final_report.pdf,2019/1/13,19,在线社交网络的形式化定义,信息 与传播,结构 与演化,群体 互动,在线社交网络G= 其中: SocStruc

    7、t :网络结构 CommInter :群体互动 InforPro:信息传播也可表述为: G= :人员集合; ,顶点集,E边集,社交网络结构 := ,信息,内容与来源; F:=, , ,影响因子,控制因子,演变方向 ; EQ:=EQS ,EQC ,EQI,动力学方程,决定演变,社交网络的形式化定义,来源:973课题“社交网络分析与网络信息传播的基础研究”,北京邮电大学,对未来社会的预判及在线社交网络解读,1,在线社交网络对企业管理的影响,2,在线社交网络对企业管理的影响,社交网络对企业客户的影响,社交网络对企业股价的影响,社交网络对员工绩效的影响,风险,在线社交网络对企业管理的影响,社交网络对企

    8、业客户的影响,社交网络对企业股价的影响,社交网络对员工绩效的影响,风险,研究一:基于用户社会联系的移动数据业务个性化推荐研究作者:齐佳音、朱超,1、移动数据业务的日益丰富和电信用户的个性化需求带来了“M to M”问题,2、电信用户之间的社会联系对数据业务的消费行为存在一定的影响力,3、传统的个性化推荐方法存在着用户偏好模型数据稀疏等问题,研究背景,以豆瓣网为例的评价矩阵稀疏性现象,提出问题,缓解稀疏性问题?,提高推荐的准确率?,?,研究定位及研究目的,文献综述Recommendation Strategy,Popularity-based Content-based Collaborativ

    9、e filteringUser-based Collaborative Filtering: recommend items based on similar usersItem-based Collaborative filtering: recommend items based on similar items the user like,文献综述消费者行为模型,文献综述研究现状,Recommendation in mobile context :情景建模 Recommendation based on social relationship:寻找最佳邻居用户 Recommendatio

    10、n in telecommunications:较少,结论:通过社会联系改善评价矩阵稀疏性问题,进而提高移动数据业务个性化推荐的准确的研究尚未见到.,将用户社会联系引入个性化推荐的目的:,1、改进推荐思路、提高推荐的准确性,2、解决用户项目矩阵数据稀疏问题,使用用户社会联系的矩阵去填充稀疏的用户项目矩阵,使其变得稠密。,即能够使用与目标用户具有社会联系的用户的产品偏好来预测目标用户的偏好,也就是说具有社会联系的用户之间的消费偏好是有一定的相似性的。,使用社会联系完成推荐的过程中更多的是强调社会联系所能带来的用户信任,即具有社会联系的用户之间彼此更加信任对方提供的推荐方案。,用户A对用户B的信任

    11、越强,即在用户A看来,用户B与自己的社会联系越强,用户A就更可能采纳用户B所提供的推荐方案。这样推理的结论就是,最终用户A与用户B的消费行为可能趋同。,提出假设,假设提出:1、具有一定社会联系的两个用户具有相似的数据业务消费偏好。2、两个用户之间的社会关系越强,他们数据业务消费的相似性就越高。,研究成果1:验证了用户社会联系对消费行为的影响,变量描述: 用户社会联系:用户的通话行为所形成的用户之间的相互联系 移动数据业务的偏好:由于这里的分析是为后续推荐服务的,因此使用推荐领域常用的表示方式,实验中使用用户各项数据业务消费额占总比来表征:,实验设计,设计实验: 计算用户之间的移动数据业务偏好相

    12、似度 随机选择若干组(10)用户对,进行对比试验。采用 检验的方式进行假设的验证,检验结果证明前面提出的两个假设成立,每一组样本用户对中包含100对有社会联系的用户和100对无社会联系的用户,即每组400个用户。,计算每对用户的相似度 离散相似度数值 描述分布检验 相关性分析,研究成果1:验证了用户社会联系对消费行为的影响,假设一的验证:社会联系与消费行为独立性检验,在大多数样本组中(7组)用户的社会联系与其消费行为的相似度之间都不是独立的。 从上述验证结果中有理由推断出用户的社会联系确实是与其消费行为的相似度相关的。,具有社会联系的两个用户之间更有可能具有相似的数据业务消费行为,验证结果,假

    13、设二的验证:用户对的消费行为相似度及其社会联系强度的相关性分析,由于获取了所有用户对的消费行为相似度及其社会联系强度,对这两组数据进行相关分析,Sig.0.05,因此两变量之间的相关性是显著的,相关系数为0.364,说明两者正相关,假设得证。,研究成果1:验证了用户社会联系对消费行为的影响,一条话单一般包含以下信息:用户ID、用户号码、通话开始时间、通话持续时长、对端号码、呼叫方向、是否漫游等。对用户A与用户B之间的话单记录进行汇总统计就能够整理出很多潜在的信息。,通话类型,通话方向,通话时间,电信用户社会联系数据梳理,定量表示用户社会联系的标准:通话时间较长的用户之间社会联系紧密的可能性更大

    14、; 夜晚(22:00之后)通话的用户比傍晚(18:00-22:00)通话的用户社会联系 紧密的可能性更大; 傍晚(22:00之后)通话的用户比白天(6:00-18:00)通话的用户社会联系紧 密的可能性更大; 节假日和周末进行通话的用户之间比工作日通话的用户之间社会联系紧密的可 能性更大; 经常漫游通话的用户之间比正常通话的用户之间社会联系紧密的可能性更大; 双方互相发起通话的用户之间比经常单向进行通话的用户之间社会联系紧密的 可能性更大; 两次通话的间隔时间越短,用户之间社会联系紧密的可能性越大; 一定周期内,两个用户之间通话时长或者间隔时间越稳定,两个人的社会联系 较为紧密和稳定的可能性越

    15、大 通话的时间越固定,两个用户之间社会联系紧密的可能性越大;,研究成果2:提出了基于通话记录的电信用户社会联系强度的度量方法,给出电信用户社会联系的定量表示方法如下:,其中:,两用户的社会联系强度,两用户的社会联系稳定性,节假日权重,长途权重,时间权重,通话时长的标准差,通话时间的标准差,Ux与Uy之间的通话次数(有向),研究成果2:提出了基于通话记录的电信用户社会联系强度的度量方法,推荐思想的确立,经典协同推荐算法的推荐思想和基本假设: 思想:找到与目标用户具有相似兴趣的邻居用户,再将这些邻居用户喜欢的产品或者项目推荐给目标用户。 基本假设: (1)用户的兴趣是可以被表示的,并且可以按照兴趣

    16、将用户进行分类; (2)用户更倾向于使用和采纳与自己有相似兴趣的人所推荐的产品。,本文补充的基本假设: 用户更倾向于采纳自己熟悉的(社会联系强)的其他用户的产品推荐; 具有一定社会联系的用户之间具有相似消费行为的可能性更大; 用户之间的社会联系越强,其消费行为的相似性越高。,研究成果2:提出了基于通话记录的电信用户社会联系强度的度量方法,推荐框架的确立,研究成果3:提出了基于用户社会联系的推荐框架,推荐框架的实现流程,研究成果3:提出了基于用户社会联系的推荐框架,数据源:某运营商连续三个月的通话详单和数据业务消费账单;其中,通话详单包括通话时间和频次,可用来提取用户社会联系信息;数据业务消费账

    17、单用来提供用户偏好信息,用户的通话记录,用户的账单信息,用户社会联系信息,1,数据预处理,删掉多余的节点和边,保留通话频次和时长信息,2,提取用户之间的社会联系信息,提取用户数据业务的消费比例,形成用户-业务矩阵,3,4,使用用户之间的社会联系信息进行部分空缺值的填充,降低原有矩阵的稀疏程度,5,6,计算综合相似度找到最近邻居;计算兴趣相似度找到补充邻居,形成备选推荐集,+,7,预测评分,分别形成主要和补充推荐集,分别使用两种社会联系矩阵结合用户偏好矩阵进行偏好预测,形成推荐集,实证研究结论数据实证说明,使用不同 值(本文选择了0-1之间的5个数值进行实验)形成不同的综合相似度矩阵,之后进行同

    18、样的处理方式形成推荐,选择具有最佳推荐效果的 值作为最终的模型参数。,平均绝对误差(MAE),精确度(Precision),F-measure,召回率(Recall),实证研究结论综合相似度参数确定,对本文处理得到的数据集使用经典的Collaborative Filtering算法进行推荐,之后与使用前述最佳 值所形成的推荐结果进行对比。通过调整最近邻居N的值,比较在不同规模的邻居集下两种方法的推荐效果。,数据稀疏程度评价: 使用本文的空缺值填充方法填充之后用户-产品矩阵的稀疏度由原来的91.87%降低到了80.21% 使用本文的空缺值填充方法填充之后,用户使用的业务数量分布变得更加平均,召回

    19、率(Recall),精确度( Precision),平均绝对误差(MAE),实证研究结论 比较Social-RS与经典CF之间的优劣,1、本文算法的运行效率还有待提高。由于本文推荐算法的主要设计目标是改善用户项目矩阵的稀疏问题,并借此提高推荐的准确性及全面性,因此在算法效率上还有较大的提升空间。2、更多的用户社会联系方式还有待讨论和补充。随着社会化网络的逐渐兴起,除了语音通信,即时通信工具在维系用户之间的社会联系方面也起到了举足轻重的作用,因此研究中的用户社会联系方式应该针对此进行更多的讨论和补充。,研究中的不足,研究展望,1、进一步挖掘和补充可用、有效的社会联系形式。2、在研究用户社会联系的

    20、基础上探讨用户社会网络对消费行为的影响。3、改进基于社会联系的推荐算法,设计基于社会网络的个性化推荐算法。,研究不足和展望,研究二:在线音乐用户播放:用户偏好、音乐品质、在线评论谁更重要作者:齐佳音、刘凌晗、谭勇,Web2.0时代用户消费认识的特征,现象:在价格可接受的范围内,店铺的“销售量”和商品评价影响了绝大数用户的在线决策行为。,思考:Web2.0时代,在线反馈机制对互联网用户的购买决策产生了重要影响。,在线反馈研究角度,考虑对象,经典购买决策,产品端,用户端,产品,需求,考虑角度,考虑问题,功能全面 外观时尚 使用方便 ,价格 质量 功能 ,购买,缺少环境端 反馈,Customer v

    21、alue from a customer perspective: a comprehensive review,Albert Graf Peter Mass,2008,反馈是否对购买决策产生影响?,经典购买决策,Web2.0购买决策,产品,需求,购买,产品,需求,购买,反馈,销量,评价,考虑反馈的影响能否提高购买决策的预测准度?,文献综述,评价,销量,在线反馈,评论量对购买决策影响显著(Duan等,2005,2008;Chen等,2004;Liu等,2006;Dhar等,2007) 评论量对非流行产品的购买决策影响更显著( chen等,2004 ) 评论内容对购买决策影响不显著(Duan等,

    22、2005,2008; Liu等,2006 ) 普通用户评分比专家评分对购买决策影响更显著(Dellarocas等,2005),当销量对购买决策影响显著(Duan等,2009),总结,在目前研究反馈对购买决策影响的研究中,缺少将反馈与经典购买决策的产品和需求因素一同考虑。,用户网络应用选用影响因素总体设计,研究设计及研究结论,研究对象Last.fm,“Last.fm”简介 Last.fm是全球最大的社交音乐平台,它的宗旨是“发现你喜欢的音乐”,Last.fm帮助它的用户们围绕音乐建立了一个庞大的社区,并通过其独有的“Audioscrobb”对社区中所有用户的播放行为进行记录,进而以全社区用户的播

    23、放记录为基础,分析、推荐用户喜欢的音乐。,研究设计及研究结论,曲目、歌手信息及播放情况,研究数据来源Last.fm,last.fm的音乐库中有超过1亿首曲目和超过1000万的歌手。 网站中有关于这些曲目和歌手的基本信息的简要介绍,并根据社区中所有用户的收听记录,对歌曲、歌手的收听记录进行统计。,研究设计及研究结论,用户可以对曲目、歌手进行评论、收藏,且用户和歌手都具有标签,研究数据来源Last.fm,last.fm用户可以对喜爱的曲目、歌手进行收藏,将其加入到自己的音乐库中。并可以根据自己的喜好,对自己添加标签,展示自己喜欢的音乐类型,或对歌手添加标签。,研究设计及研究结论,用户间存在好友网络

    24、关系,研究数据来源Last.fm,last.fm用户可以互相添加好友。成为好友后,用户间可以相互查看对方最近播放的音乐、收藏的曲目和歌手等。,研究设计及研究结论,记录用户所有播放记录,研究数据来源Last.fm,last.fm会记录用户从注册开始的所有播放记录,并能够记录用户通过其他播放器所播放的音乐,使该网站的数据更接近用户的真实播放行为,十分符合我们“网络社会化、社会网络化”的研究背景。,研究设计及研究结论,研究数据来源Last.fm,曲目、歌手信息及播放情况,用户可以对曲目、歌手进行评论、收藏,且用户和歌手都具有标签,用户间存在好友网络关系,记录用户所有播放记录,产品基本信息、特性信息,

    25、用户基本信息、用户偏好,是否好友、播放量、好友数量,用户评论、评分等,用户对应用的选用/购买,研究设计及研究结论,曲目营销,获取曲目相关信息,用户播放,播放曲目,用户收藏,用户评论,曲目销量,收藏曲目,购买曲目,他人、曲目影响,自身、曲目影响,用户行为影响,假设提出,其他曲目信息,其他用户播放,其他用户收藏,其他用户评论,假设提出,研究设计及研究结论,曲目营销,获取曲目相关信息,用户播放,播放曲目,其他曲目信息,用户收藏,用户评论,曲目销量,收藏曲目,购买曲目,他人、曲目影响,自身、曲目影响,用户行为影响,假设1:用户在选择曲目过程中存在从众效应。其他用户对某一曲目的播放、评论等会增大用户播放

    26、该曲目的几率。,其他用户播放,其他用户收藏,其他用户评论,假设提出,研究设计及研究结论,曲目营销,获取曲目相关信息,用户播放,播放曲目,用户收藏,用户评论,曲目销量,收藏曲目,购买曲目,他人、曲目影响,自身、曲目影响,用户行为影响,假设2:在其他条件相同的情况下,好友所引发的从众效应要强于其他用户的。,其他曲目信息,其他用户播放,其他用户收藏,其他用户评论,假设提出,研究设计及研究结论,曲目营销,获取曲目相关信息,用户播放,播放曲目,用户收藏,用户评论,曲目销量,收藏曲目,购买曲目,他人、曲目影响,自身、曲目影响,用户行为影响,假设3:不同用户对他人的影响能力不同。播放量、好友数量较高的用户、

    27、异性用户更容易对其他用户的播放行为造成影响。,其他曲目信息,其他用户播放,其他用户收藏,其他用户评论,假设提出,研究设计及研究结论,曲目营销,获取曲目相关信息,用户播放,播放曲目,用户收藏,用户评论,曲目销量,收藏曲目,购买曲目,他人、曲目影响,自身、曲目影响,用户行为影响,假设4:不同用户受他人的影响程度不同。主动性较强强,即播放量、标签数较多的用户,其行为更不易受到其他用户的影响。,其他曲目信息,其他用户播放,其他用户收藏,其他用户评论,假设提出,研究设计及研究结论,曲目营销,获取曲目相关信息,用户播放,播放曲目,用户收藏,用户评论,曲目销量,收藏曲目,购买曲目,他人、曲目影响,自身、曲目

    28、影响,用户行为影响,假设5:在重复购买阶段,用户自身喜好相对于他人影响的重要性有所提升。相对于他人行为的影响,用户重复播放行为受到来自自身喜好的影响强度会增大。,其他曲目信息,其他用户播放,其他用户收藏,其他用户评论,假设提出,研究设计及研究结论,曲目营销,获取曲目相关信息,用户播放,播放曲目,用户收藏,用户评论,曲目销量,收藏曲目,购买曲目,他人、曲目影响,自身、曲目影响,用户行为影响,假设6:用户对曲目的播放、收藏、评论次数会对该曲目销量产生积极影响。,其他曲目信息,其他用户播放,其他用户收藏,其他用户评论,假设提出,研究设计及研究结论,朋友行为,普通用户行为,曲目特性,自身偏好,朋友听歌

    29、次数,朋友听歌人数,朋友听歌比例,曲目播放次数,曲目播放人数,用户收听次数,曲目评论数,曲目发布时间,用户注册时间,用户歌曲喜好,用户播放总量,性别差异,朋友播放量,朋友好友量,用户标签、好友数,用户性别年龄,年龄差异,假设提出,曲目播放量,研究设计及研究结论,数据获取,获取2012年5月14日时网站收听排行榜前1000的曲目列表,判断是否新歌,86首歌曲,在86首曲目的7054条评论中,随机选取每首歌的评论2条,172条评论,166个用户,对166个用户中的每一个用户,随机取其一个朋友,166个 目标用户,取人口统计信息,取好友关系,针对歌曲取收听历史,60个用户 30首歌曲,朋友数小于10

    30、0,9543个 朋友,针对歌曲取收听历史,好友收听历史,用户统计信息,用户收听历史,研究设计及研究结论,数据获取,86首歌曲,在86首曲目的7054条评论中,随机选取每首歌的评论2条,172条评论,166个用户,对166个用户中的每一个用户,随机取其一个朋友,166个 目标用户,取人口统计信息,取好友关系,针对歌曲取收听历史,60个用户 30首歌曲,朋友数小于100,9543个 朋友,针对歌曲取收听历史,好友收听历史,用户统计信息,用户收听历史,周播放排名在1000名以后的歌曲,并不会出现在榜单上,用户难以有机会受到”大众影响“而进行收听,所以可忽略。 选择2012年最新榜单,是为了与当前的用

    31、户关系在时点上接近。,限制歌曲是新歌,消除老歌过去的宣传和影响等给分析带来的干扰。,获取2012年5月14日时网站收听排行榜前1000的曲目列表,判断是否新歌,研究设计及研究结论,获取2012年5月14日时网站收听排行榜前1000的曲目列表,判断是否新歌,数据获取,86首歌曲,在86首曲目的7054条评论中,随机选取每首歌的评论2条,172条评论,166个用户,对166个用户中的每一个用户,随机取其一个朋友,取人口统计信息,取好友关系,针对歌曲取收听历史,9543个 朋友,针对歌曲取收听历史,好友收听历史,用户统计信息,用户收听历史,这166个目标用户的特点是:“至少有一个朋友听过歌曲,但自身

    32、不确定是否听过该歌曲。” 适用于后续分析的进行。,我们的数据获取是基于last.fm提供的API,然而标准API做多仅提供同一用户的100个好友。为保证同一用户数据的完整性,仅保留好友总数小于100的目标用户作为最终的目标用户。,166个 目标用户,朋友数小于100,60个用户 30首歌曲,研究设计及研究结论,模型构建,研究设计及研究结论,模型变量,研究设计及研究结论,模型构建,研究设计及研究结论,模型分析及结果,研究设计及研究结论,模型结果分析: 由模型结果可知,大部分所选变量与用户播放曲目的行为有显著的相关性,包括普通用户对曲目的播放量APC、用户朋友对曲目的播放量FPC、用户对曲目歌手的

    33、偏好程度UPRE等; 但用户注册时长UMEN、用户好友数量UFN、曲目评论数量TSN、曲目发布时长TD4个自变量对因变量的影响不显著; 该模型的运行结果对假设1和假设2进行了验证。,模型分析及结果,研究设计及研究结论,模型结果分析: 由模型结果可知,大部分所选变量与用户重复播放行为都具有显著的相关性,包括普通用户对曲目的播放量APC、用户朋友对曲目的播放量FPC、用户对曲目歌手的偏好程度UPRE等; 将两个模型的结果进行对比可知,在对用户重复播放行为的影响上,普通用户的播放行为、用户好友的播放行为以及用户自身喜好的影响都有所下降,但来自普通用户的播放行为的影响下降最大,用户好友和自身偏好的影响

    34、则下降较小。 该模型的运行结果对假设5进行了验证。,实证结果,1、用户在选择曲目过程中存在从众效应。 其他用户对某一曲目的播放、评论等会增大用户播放该曲目的几率。,2、对于音乐产品而言,好友所引发的从众效应要强于普通用户的。其他用户对某一曲目的播放、评论等会增大用户播放该曲目的几率。,3、与初期购买相比,用户在重复购买阶段更多的受到来自自身喜好及好友行为的影响。 相比于初次收听,用户的重复播放行为更多的受到来自自身喜好及好友的影响,而非普通用户。,总结,结论,Q1: 大数据背景下, 如何更有效地对中国MM商城的数据业务产品进行个性化推荐?,当个性化推荐遇上互联网大数据?,在线社交网络对企业管理

    35、的影响,社交网络对企业客户的影响,社交网络对企业股价的影响,社交网络对员工绩效的影响,风险,社交网络对企业股价的影响,贵州茅台(600519)股价MACD值,川酒5家名企反对“国酒茅台”商标注册(9.17) 相关新闻热度高达95.63 相关新闻被媒体广泛发布,舆情关注度一直较高。 受此消息影响,贵州茅台股价持续下挫。,案例:贵州茅台“商标事件”引发的股价问题,UGC对企业股价的影响,企业股价(Firm Equity Value),会不会产生影响?,产生怎样的影响?,如何精确度量这种影响?,+,Predicting Stock Market Indicators Through Twitter

    36、“I hope it is not as bad as I fear”,Xue Zhang, Hauke Fuehres, Peter A. Gloor,From:Social and Behavioral Sciences.2011,文献一,问题提出,研究方法,研究结论,研究结果,研究总结,本研究通过6个月的Twitter信息抓取,得到一个由100条随机信息组成的样本,分析了每天Twitter信息的希望(hope)与恐惧(fear)情绪与股市预测变量(stock market indicators)的关系; 结果证明情感信息与Dow Jones, NASDAQ and S&P500负向相关,

    37、与VIX(恐慌指数)正向相关(emotional tweet percentage significantly negatively correlated with Dow Jones, NASDAQ and S&P500, but displayed significant positive correlation to VIX); 进而说明Twitter信息的情感爆发(emotional outbursts)可以预测第二天的股市表现。,论文研究问题与结构,Twitter的使用价值与社会结构(usage and community structure),通过追随者网络(the followe

    38、r network)研究发现用户意图(users intentions)存在较大差异,一些用户可能有多个意图并在多个社区充当不同角色(Java et al. 2007) 通过分析Twitter的社交互动发现信息的发起者隐藏在朋友和追随者网络中,大部分的交互链接是没有意义的(Huberman et al. 2009),Twitter的预测能力、其他领域的潜在应用,影响力-入度、转发与用户提及的比较(Cha et al. 2010) 名人与影响力的关系没有想象中的强,因为大部分用户只是信息的传递者而非创造者(Romero et al. 2010) 通过构建Twitter信息的速度、规模与传播范围的

    39、模型,发现信息本身的特性能较好地预测信息扩散(Yang et al. ,2010),Twitter用户和信息传播的影响,预测电影票房(Asur&Huberman ,2010) 预测德国联邦选举(Tumasjan,2010 ) 跟踪疾病的蔓延(Lampos, V. & Cristianini, N. 2010),问题提出Twitter的研究方向,互联网留言板的活跃程度与股价波动和交易量的关系(Antweiler & Frank,2004) 利用LiveJournal网站的两千万条留言(posts)提出了美国国家情绪指数即焦虑指数( Anxiety Index ),研究发现当指数急剧上升时, S&

    40、P 500 指数比预期水平略低;除了留言的内容,评论的数量、长度、回复时间等均有相同预测作用(Gilbert and Karahalios,2010) 利用内容属性构建了回归模型,用于预测股市走势,能达到87%的准确率(Choudhury et al. 2010),问题提出网络信息(web buzz)与股市的关系,数据采集:2009年3月30日-2009年9月7日,每天从Twitter中抽取8100-43040条twitter信息情感标记:根据信息的一两个关键词为每条信息标记情感标签,如fear、worry、hope等,研究方法,三个研究:分别选择三个不同的基准线测量一个情感主题(如hope)

    41、,即每天的twitter信息数、粉丝数、转发数。,研究1:情感信息比例与股市指数的关系,所有情感的数量百分比与VIX正相关,与Dow、NASDAQ、S&P500负相关,研究结果Selection of Baseline,研究2:情感信息影响的粉丝数比例与股市指数的关系,相关性不显著,证明情感信息影响的粉丝数比例不能较好地预测股市指数,研究结果Selection of Baseline,研究3:情感信息转发数比例与股市指数的关系,相关分析结果相比研究2较好 由于含某种情感的转发信息数远远小于原创信息数,因此样本数较少、显著水平较低 如果扩大样本数,显著性水平会提高,研究结果Selection o

    42、f Baseline,研究目的:探究Twitter信息对股市的反应时间 研究方法:做第t+1天股市指数与第t、t-1、t-2天情感信息比例的相关分析 研究结果:与VIX显著正相关,与Dow、NASDAQ、S&P500显著负相关;hope、fear、worry三个情感的显著性水平最高,为验证hope、fear、worry三种情绪的综合作用是否更显著,做了另一研究 结果证明:hope、fear、worry三种情感信息的显著性水平并不比单个情感信息高,研究结果Time Lag of Prediction,当Twitter中hope、fear、worry情感的信息较多时,道琼斯指数次日会下跌,反之亦然

    43、。 因此,只需追踪Twitter信息的情感爆发,即可预测次日股市,研究结论,Twitter mood predicts the stock market,Johan Bollen, Huina Mao, Xiaojun Zeng,From: Journal of Computational Science.2011,文献二,研究框架,研究目的: 探究Twitter的情绪状态与道琼斯工业指数(DJIA)的关系研究工具: OpinionFinder:分析信息情感极性Google-Profile of Mood States (GPOMS):分析信息情感的六个维度: Calm、 Alert、Sure

    44、、Vital、Kind、 and Happy研究结果: 通过检测2008年总统大选与感恩节的公众反映交叉验证了情绪时间序列 借助格兰杰因果分析与模糊神经网络验证了公众情绪状态可以预测DJIA近似值,且情绪维度的划分可以显著提高预测准确性 预测收盘价格变动的准确性达到86.7%,研究总述,股市不可预测,随机漫步理论( random walk theory) 有效市场假说Efficient Market Hypothesis(EMH):股市价格受新闻而非目前或过去的股价驱动,由于新闻是不可预测的,因而股价会服从随机漫步模式,被预测的准确率不会超过50%,股市可被预测,从金融因果关系理论(the S

    45、ocionomic Theory of Finance (STF) 、行为经济学 (behavioral economics )、行为金融学(behavioral finance) 等理论证明股市不服从随机漫步理论,股市可以被预测 新闻可能不可预测,但可以从在线社交网络中提取早期指标(early indicators)从而预测经济和商业指标的变动。如: 在线聊天室的活跃程度预测图书销售(Gruhl et al,2005) 博客情绪可以预测票房(Rijke,2006) 利用潜在语义分析模型(Probabilistic Latent Semantic Analysis ,PLSA)提取博客情绪,从

    46、而预测产品销量(Liu et al.2007) 利用谷歌搜索请求 预测疾病传播的概率和消费者花费倾向Choi et al.2009) 财经突发新闻与股价变化的关系(Schumaker and Chen,2009) Twitter中的公众情绪可以预测票房收入(Asur and Huberman, 2010),研究回顾,根据代表性样本直接预测公众情绪的大型研究通常是耗钱耗时的,例如盖洛普民意调查和消费者幸福指数,因此有研究者提出根据足球比赛的结果和天气条件等间接预测公众情绪,然而此方法的准确性受公众情绪与选择指标的关系强度影响 过去五年,情绪追踪技术取得了很大的进步,即直接从社交媒体内容如博客内容

    47、与大规模的Twitter内容中提取公众情绪指标。进而促进了实时情绪追踪指标与国家脉冲(Pulse of Nation)的发展。 最近的研究方向主要是从在线内容来源中提取公众情绪指标,探究这些情绪指标与经济指标的关系,如Gilbert等(2010),Wu等(2010)。,研究回顾公众情绪,数据采集: 2008年2月28日-2008年12月19日,提取了9853498条twitter信息数据处理: 标记每条信息的时间和类型 去除停用词(stop-words)和标点 以天为周期将信息分组 只分析含有明确情感状态的信息, 即包含“i feel”,“i am feeling”,“Im feeling”,

    48、“i dont feel”, “Im”,“Im”, “I am”, “makes me”的信息 剔除含有链接的信息,避免垃圾信息或information-oriented信息,研究数据,利用两个工具测量Twitter中公众情绪的变化,OpinionFinder 意见识别器,分析某天Twitter信息积极/消极的公关情绪日时间序列,Google-Profile of Mood States( GPOMS)谷歌心情记录,分析Titter信息内容,将公众情绪日时间序列划分为6个维度,根据不同维度情绪的变化更加详细的审视公众情绪变化 将公众情绪时间序列与道琼斯工业指数做相关分析,分析随时间变化情绪时间序列对道琼斯工业指数变动的预测能力,

    展开阅读全文
    提示  道客多多所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    关于本文
    本文标题:7. 社交网络分析对企业管理的影响研究.ppt
    链接地址:https://www.docduoduo.com/p-4789431.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

    道客多多用户QQ群:832276834  微博官方号:道客多多官方   知乎号:道客多多

    Copyright© 2025 道客多多 docduoduo.com 网站版权所有世界地图

    经营许可证编号:粤ICP备2021046453号    营业执照商标

    1.png 2.png 3.png 4.png 5.png 6.png 7.png 8.png 9.png 10.png



    收起
    展开