現在位置首頁 > 博碩士論文 > 詳目
論文中文名稱:利用使用者特徵辨識社群同好之研究 [以論文名稱查詢館藏系統]
論文英文名稱:Identifying the social community by using user features [以論文名稱查詢館藏系統]
院校名稱:臺北科技大學
學院名稱:管理學院
系所名稱:資訊與財金管理系碩士班
畢業學年度:105
畢業學期:第二學期
出版年度:106
中文姓名:許憶棻
英文姓名:Yi Fen Hsu
研究生學號:104AB8004
學位類別:碩士
語文別:中文
論文頁數:42
指導教授中文名:翁頌舜
指導教授英文名:Sung-Shun Weng
口試委員中文名:楊欣哲;吳瑞堯
中文關鍵詞:社群行銷兩階段分群法使用者特徵
英文關鍵詞:Social Media MarketingTwo-stage Clustering ApproachUser Features
論文中文摘要:現今資訊發達的時代,消費者大多從社群平台獲取商品資訊,顯見社群已成為行銷的重要管道,因此利用社群媒體來行銷是目前各大企業的趨勢。然而,在投遞社群廣告時,由於龐大的社群人口及其複雜的結構組成,實難以掌握目標客群的特徵屬性。
因此,本研究提出社群同好辨識之模型架構,應用分群演算法及決策樹的技術,萃取Facebook使用者資料及其社群行為作為使用者特徵,進行社群同好的辨識。研究發現此模型可成功鑑別出興趣相似之使用者,並將其結果生成社群同好名單提供給企業及廣告主,使他們能針對不同類型之同好投遞廣告。此外,本研究亦找出有鑑別度之使用者特徵,並了解各特徵對於同好辨識之能力。
論文英文摘要:In the era of information development, consumers generally obtain information from social media all the time, it is obvious that the community has been an important channel of marketing. Therefore the major enterprises tend to use social media to do marketing. However, as the large community population and its complex structure, it’s difficult for them to identify the features of target customers.
Therefore, this study proposes a model, using the clustering and decision tree algorithms to identify the social community by using user features which collect from Facebook users. We find the model could identify users with similar interests successfully and provide a list of social community for business and advertisers to deliver advertisements efficiently. In addition, we find discrimination of user features and understand whether each feature is unique enough to make identification.
論文目次:摘要 i
ABSTRACT ii
致謝 iii
目錄 iv
表目錄 vi
圖目錄 vii
第一章 緒論 1
1.1 研究背景與動機 1
1.2 研究目的 3
1.3 章節概要與研究流程 3
第二章 文獻探討 5
2.1 社群媒體(Social Media) 5
2.1.1社群媒體概況 6
2.1.2社群媒體之相關應用 7
2.2 廣告行銷(Advertisement Marketing) 7
2.2.1網路廣告(Internet Advertising) 7
2.2.2社群行銷(Social Marketing) 8
2.3 分群演算法(Clustering Algorithms) 9
2.3.1階層式分群法(Hierarchical Clustering Methods) 9
2.3.2非階層式分群法(Non-Hierarchical Clustering Methods) 10
2.3.3兩階段分群法(Two-Stage Clustering Approach) 10
2.4興趣建模之相關研究 11
2.5決策樹(Decision Trees) 12
2.5.1 ID3演算法 13
2.5.2 C4.5演算法 13
2.5.3 CART演算法 13
2.5.4 CHAID演算法 14
2.5.5 小結 14
第三章 研究方法 15
3.1研究架構 15
3.2資料蒐集與預處理 16
3.3 特徵集合 18
3.4 同好辨識模組 20
3.4.1兩階段分群法 20
3.4.2同好類別定義 21
3.4.3分類器 21
第四章 實驗結果與分析 23
4.1實驗環境 23
4.2實驗數據 23
4.3實驗設計與成果 26
4.3.1同好分群結果與評估 27
4.3.2同好類別標記 30
4.3.3同好分類結果 35
4.3.4重要特徵集合 36
第五章 研究結論與建議 38
5.1研究結論與貢獻 38
5.2研究限制與建議 39
參考文獻 40
論文參考文獻:1. 台北市數位行銷經營協會,2015年台灣數位廣告量統計報告,https://drive.google.com/file/d/0B_o2GwbW3-B_MVNvcDhtVl9yWEE/view,2016。
2. 創市際雙周刊,第六十六期,市調解析之網路廣告篇,
http://www.ixresearch.com/wp-content/uploads/report/InsightXplorer%20Biweekly%20Report_20160630.pdf,2016。
3. 創市際雙周刊,第六十七期,社群服務調查與使用概況,
http://www.ixresearch.com/wp-content/uploads/report/InsightXplorer%20Biweekly%20Report_20160715.pdf,2016。
4. 呂金河、洪哲裕,基礎統計在STATISTICA上的實踐與應用,新北市:美商史丹索特股份有限公司台灣分公司,2012。
5. 邱雲飛、王琳潁、邵良杉、郭紅梅,「基於微博短文本的用戶興趣建模方法」,計算機工程,第四十卷,第二期,2014,第275-280頁。
6. 朱文園,在社群媒體中探勘使用者軌跡特徵,博士論文,國立交通大學資訊科學與工程研究所,新竹,2016。
7. 林佑信,決定群中心個數k與位置的分裂K-均值分群演算法,碩士論文,國立交通大學電信工程研究所,新竹,2008。
8. 林玟妤,基於高階屬性之社群媒體用戶興趣探勘技術,碩士論文,國立清華大學電機工程學系,新竹,2016。
9. 余明哲、柯皓仁、楊維邦,圖書館個人化館藏推薦系統 ,碩士論文,國立交通大資訊科學研究所,新竹,2002。
10. 唐廉智,網路廣告型態及計價方式之探討,碩士論文,國立政治大學經營管理碩士學程,台北,2007。
11. 陳奕安,基於跨媒體深度融合網路的社群媒體使用者興趣探勘,碩士論文,國立清華大學電機工程學系,新竹,2016。
12. 黃舒娜,社群媒體的行為類型,碩士論文,國立臺灣師範大學管理研究所,台北,2015。
13. 裴廣志,運用基因K-Means演算法劃分混合客服中心客戶群,碩士論文,中央大學工業管理研究所,桃園,2015。
14. 廖凱弘、林如森,「臺灣年輕族群的臉書多元使用行為與市場區隔分析」,資訊傳播研究,第四卷,第二期,2014,第83-98頁。
15. 趙岩露、王晶、沈奇威,「基於特徵分析的微博用戶興趣發現算法」,電信工程技術與標準化,第二十五卷,第十一期,2012,第79-83頁。
16. 趙芳譽,融合社群媒體上文字、影像及圖片屬性的使用者興趣探勘技術,碩士論文,國立清華大學電機工程學系,新竹,2015。
17. 賴瑩嬛,應用群集分析探討侵臺颱風之分類特性,碩士論文,國立交通大學土木工程學系,新竹,2012。
18. Abidi, S. S. R., and Ong, J., "A data mining strategy for inductive data clustering: a synergy between self-organising neural networks and K-means clustering techniques ", In TENCON 2000 Proceedings, Vol. 2, pp. 568-573, 2000.
19. Anderberg, M. R., "Cluster analysis for applications. Monographs and textbooks on probability and mathematical statistics", Academic Press, 1973.
20. Breiman, L., Friedman, J., Stone, C. J., and Olshen, R. A. "Classification and regression trees," CRC press, 1984.
21. Feng, H., & Qian, X., "Mining user-contributed photos for personalized product recommendation", Neurocomputing, 129, pp. 409-420, 2014.
22. Feng, H., & Qian, X., "Recommend social network users favorite brands", In Pacific-Rim Conference on Multimedia, pp. 730-739, 2013.
23. Holzner, S, "Facebook Marketing: Leverage Social Media to Grow Your Business", Que Publishing, 2009.
24. Hanna, R., Rohm, A., and Crittenden, V. L., "We’re all connected: The power of the social media ecosystem", Business horizons, Vol. 54, No. 3, pp. 265-273, 2011.
25. Hudson, S., Roth, M. S., Madden, T. J., and Hudson, R., "The effects of social media on emotions, brand relationship quality, and word of mouth: An empirical study of music festival attendees", Tourism Management, Vol. 47, pp. 68-76, 2015.
26. Kuo, R. J., Ho, L. M., and Hu, C. M., "Integration of self-organizing feature map and K-means algorithm for market segmentation", Computers & Operations Research, Vol. 29, No. 11, pp. 1475-1493, 2002.
27. Liu, H., and Maes, P., "Interestmap: Harvesting social network profiles for recommendations", Beyond Personalization-IUI, pp. 56, 2005.
28. Latha N., Reddy Sudhakar, "Personalized Recommendation Combining User Interest and Social Circle", International Journal of Engineering Research and General Science, Vol. 3, No. 4, pp. 219-222, 2015.
29. MacQueen, J., "Some methods for classification and analysis of multivariate observations", In Proceedings of the fifth Berkeley symposium on mathematical statistics and probability, Vol. 1, No. 14, pp. 281-297, 1967.
30. Punj, G., and Stewart, D. W., "Cluster analysis in marketing research: Review and suggestions for application", Journal of marketing research, pp. 134-148, 1983.
31. Quinlan, J. R., "Induction of decision trees", Machine learning, Vol. No. 1, pp. 81-106, 1986.
32. Quinlan, J. R., "C4. 5: programs for machine learning", Morgan Kaufmann, 1992.
33. Song, G., Li, Z., and Tu, H., "Forward or ignore: User behavior analysis and prediction on microblogging", In Computer Supported Cooperative Work in Design, 2012 IEEE 16th International Conference on, pp. 678-684, 2012.
34. Vesanto, J., and Alhoniemi, E., "Clustering of the self-organizing map", IEEE Transactions on neural networks, Vol. 11, No. 3, pp. 586-600, 2000.
35. Wang, X. J., Yu, M., Zhang, L., Cai, R., and Ma, W. Y., "Argo: intelligent advertising by mining a users interest from his photo collections", In Proceedings of the Third International Workshop on Data Mining and Audience Intelligence for Advertising, pp. 18-26, 2009.
36. Yang, Y., and Pedersen, J. O., "A comparative study on feature selection in text categorization", In International Conference on Machine Learning, Vol. 97, pp. 412-420, 1997.
論文全文使用權限:不同意授權