鮑媛媛+易成岐+薛一波

Precision Marketing Strategies and Methods Based on Social Networks

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1009-6868 （2014） 01-0020-006

摘要：在深入分析社會(huì)網(wǎng)絡(luò)用戶行為的基礎(chǔ)上，構(gòu)建了一個(gè)用戶信任網(wǎng)絡(luò)?；谠撚脩粜湃尉W(wǎng)絡(luò)，通過GN（Girvan和Newman提出）算法進(jìn)行群體劃分，并在群體劃分基礎(chǔ)上，利用文本分析技術(shù)實(shí)現(xiàn)群體興趣發(fā)現(xiàn)，確定群體營(yíng)銷內(nèi)容；基于用戶信任網(wǎng)絡(luò)最大生成樹確定關(guān)鍵傳播路徑，并依據(jù)關(guān)鍵傳播路徑上節(jié)點(diǎn)信任度指標(biāo)確定營(yíng)銷關(guān)鍵點(diǎn)，從而依據(jù)營(yíng)銷內(nèi)容和營(yíng)銷關(guān)鍵點(diǎn)推動(dòng)差異化、精確化營(yíng)銷。

關(guān)鍵詞： 精確營(yíng)銷；用戶信任網(wǎng)絡(luò)；群體劃分；信息傳播；社會(huì)網(wǎng)絡(luò)

Abstract： This paper describes user behaviors and the construction of a user-trusted network. This network uses a GN algorithm to detect communities and text analysis to determine the interests of different communities. By obtaining the maximum spanning tree of the network， we find the most probable propagation path， and we use trust indicators to target key users. By directing marketing content to key users， differentiation and precision marketing is achieved.

Key words： precision marketing； user-trusted network； community detection； information dissemination； social networks

精確營(yíng)銷是指在精確定位的基礎(chǔ)上，針對(duì)小眾群體，甚至是一對(duì)一群體，依托現(xiàn)代信息技術(shù)手段建立個(gè)性化的顧客溝通服務(wù)體系，準(zhǔn)確地管理和滿足顧客消費(fèi)需求，用最小的成本、最低的風(fēng)險(xiǎn)、最短的路徑，贏得最大化的利潤(rùn)[1]。精確營(yíng)銷的關(guān)鍵在于如何精準(zhǔn)地找到產(chǎn)品的目標(biāo)人群，使?fàn)I銷活動(dòng)精確化、深入化、細(xì)致化，以便利用有限的資源獲得最大的收益。精確營(yíng)銷現(xiàn)有傳播途徑主要有電子郵件、電話、短信、直返式廣告、網(wǎng)絡(luò)推廣等，此類傳播途徑中顧客一般都處于被動(dòng)的信息接受狀態(tài)，缺乏獲取信息的主動(dòng)性，不利于消息的裂變傳播；另外，由于此類傳播方式在一定程度上都涉及到對(duì)顧客隱私侵犯的情況，被大部分顧客所抵觸，因此，精確營(yíng)銷亟需全新的、有效的傳播途徑的參與及推動(dòng)。

隨著Web2.0技術(shù)的不斷成熟，以論壇、博客、微信、微博為代表的新媒體不斷涌現(xiàn)，特別是以社會(huì)網(wǎng)絡(luò)為平臺(tái)的新媒體，主要包括Facebook、Twitter、新浪微博、騰訊微博等的出現(xiàn)，更是改變了人們交流溝通、分享信息的方式，社會(huì)網(wǎng)絡(luò)在人們生活中扮演著愈加重要的角色，成為人們獲取信息、展現(xiàn)自我、營(yíng)銷推廣的重要窗口，諸多企業(yè)已經(jīng)意識(shí)到社會(huì)網(wǎng)絡(luò)作為精確營(yíng)銷手段的潛力，如何利用社會(huì)網(wǎng)絡(luò)的海量數(shù)據(jù)對(duì)目標(biāo)用戶進(jìn)行準(zhǔn)確定位，利用社會(huì)網(wǎng)絡(luò)工具建立溝通渠道進(jìn)行精確營(yíng)銷，是很值得研究的問題，具有重要的理論價(jià)值和實(shí)際意義。

1 精確營(yíng)銷的傳播途徑：

社會(huì)網(wǎng)絡(luò)

1.1 社會(huì)網(wǎng)絡(luò)作為精確營(yíng)銷手段的

潛力

社會(huì)網(wǎng)絡(luò)作為精確營(yíng)銷的傳播手段具有得天獨(dú)厚的優(yōu)勢(shì)，首先，社會(huì)網(wǎng)絡(luò)中用戶數(shù)逐年暴增，社會(huì)網(wǎng)絡(luò)已經(jīng)成為覆蓋用戶最廣、傳播影響最大、商業(yè)價(jià)值最高的Web2.0業(yè)務(wù)。在世界范圍內(nèi)，最著名的社會(huì)網(wǎng)絡(luò)代表是Facebook、Twitter，用戶量分別達(dá)到12億、5億；中國(guó)使用人數(shù)最多的社會(huì)網(wǎng)絡(luò)工具是新浪微博和騰訊微博，其中新浪微博用戶達(dá)到5億，騰訊微博用戶超過8億。大量的用戶必然產(chǎn)生大量的數(shù)據(jù)，這些數(shù)據(jù)包含了用戶屬性數(shù)據(jù)、用戶關(guān)系數(shù)據(jù)、用戶行為數(shù)據(jù)，能夠?yàn)槟繕?biāo)用戶的精確定位提供強(qiáng)力支撐；另外，社會(huì)網(wǎng)絡(luò)傳播具備“點(diǎn)對(duì)點(diǎn)”的人際傳播和“點(diǎn)對(duì)面”的大眾傳播的雙重功能，能夠確保精確營(yíng)銷中要求的個(gè)性化傳播以及將信息精確傳遞到用戶并形成雙向溝通的要求，其本身具有傳播成本低、效率高的特點(diǎn)，也完全符合精確營(yíng)銷“利用有限的資源獲得最大的收益”的終極目標(biāo)；此外，社會(huì)網(wǎng)絡(luò)中的消息傳播建立在好友互相信任的基礎(chǔ)之上[2]，被動(dòng)接受信息的情況大大降低，增加了用戶交流的主動(dòng)性以及用戶之間深入溝通的可能，非常有利于精確營(yíng)銷的深入化。

1.2 基于社會(huì)網(wǎng)絡(luò)的精確營(yíng)銷策略

設(shè)計(jì)

目前，市場(chǎng)中的營(yíng)銷活動(dòng)都是利用電話、短信、電子郵件等傳播方式對(duì)所有用戶，進(jìn)行無(wú)側(cè)重的營(yíng)銷，例如若某公司意欲對(duì)圖1中用戶群A進(jìn)行iPHONE產(chǎn)品的營(yíng)銷，按照現(xiàn)有的營(yíng)銷手段，會(huì)同等對(duì)待圖1中的所有用戶，將iPHONE產(chǎn)品信息的營(yíng)銷短信或者郵件發(fā)送給所有用戶，往往會(huì)造成高成本、低收益的結(jié)果。

在實(shí)際情況中，用戶群A中并不是所有用戶都是活躍用戶，部分非活躍用戶對(duì)于消息傳播沒有直接貢獻(xiàn)，為了達(dá)到精確營(yíng)銷的目的，此類用戶應(yīng)該去除；同時(shí)，在活躍用戶中也并非都是iPHONE產(chǎn)品的潛在用戶，精確營(yíng)銷應(yīng)該做到對(duì)潛在目標(biāo)群體的準(zhǔn)確定位；另外，在潛在目標(biāo)群體中，所有用戶并不是處于相同的傳播地位，為了將營(yíng)銷成本降至最低，需要確定潛在目標(biāo)群體中傳播地位最高的用戶作為營(yíng)銷關(guān)鍵點(diǎn)，進(jìn)行營(yíng)銷活動(dòng)?；谏鲜鲈O(shè)計(jì)思想，本文充分考慮到對(duì)消息傳播有實(shí)際影響的關(guān)系（信任網(wǎng)絡(luò)）、群體劃分情況、群體興趣情況、傳播最大化情況，提出了基于社會(huì)網(wǎng)絡(luò)的精確營(yíng)銷策略，最終將營(yíng)銷活動(dòng)精確到對(duì)目標(biāo)產(chǎn)品最感興趣、且對(duì)傳播最具有影響力的用戶進(jìn)行，實(shí)現(xiàn)營(yíng)銷的精確化、細(xì)致化。以上述對(duì)用戶群A進(jìn)行iPHONE精確營(yíng)銷為例，對(duì)本文的精確營(yíng)銷策略進(jìn)行說明，其實(shí)現(xiàn)如下：endprint

（1）識(shí)別出用戶群A中對(duì)消息傳播有貢獻(xiàn)的活躍用戶是對(duì)目標(biāo)用戶準(zhǔn)確定位的第一步，如圖1所示，通過去除對(duì)消息傳播沒有貢獻(xiàn)的用戶，將目標(biāo)用戶群A縮小到用戶群B的范圍。

（2）在明確了對(duì)消息傳播有貢獻(xiàn)的群體后，為了將營(yíng)銷目標(biāo)精確到對(duì)iPHONE產(chǎn)品感興趣的群體，需要進(jìn)行群體劃分，并進(jìn)一步確定群體興趣。如圖1所示，根據(jù)群體劃分以及群體興趣，將營(yíng)銷目標(biāo)縮小到對(duì)iPHONE感興趣的更小的用戶群F。

（3）為了達(dá)到利用最低成本達(dá)到最優(yōu)的傳播效益，需要進(jìn)一步確定目標(biāo)用戶群中的關(guān)鍵營(yíng)銷點(diǎn)。如圖1所示，通過一定算法能夠確定用戶群F中用戶c是關(guān)鍵點(diǎn)，則精確營(yíng)銷活動(dòng)只需針對(duì)此目標(biāo)用戶c即可。

這樣，基于社會(huì)網(wǎng)絡(luò)的精確營(yíng)銷策略能夠?qū)⒃紶I(yíng)銷活動(dòng)的成本大大降低，同時(shí)又提高了營(yíng)銷效率，達(dá)到低成本、高收益的目的，實(shí)現(xiàn)營(yíng)銷的精確化、細(xì)致化。

2 基于社會(huì)網(wǎng)絡(luò)的精確

營(yíng)銷策略的實(shí)施

社會(huì)網(wǎng)絡(luò)中巨大的用戶群以及產(chǎn)生的海量數(shù)據(jù)為目標(biāo)群體的準(zhǔn)確定位提供了強(qiáng)大的支持，社會(huì)網(wǎng)絡(luò)中用戶之間基于信任的消息傳播機(jī)制也為消息的廣泛傳播提供了保證。基于此，本文設(shè)計(jì)了一套基于社會(huì)網(wǎng)絡(luò)的精確營(yíng)銷策略，詳細(xì)描述如圖2所示。

基于社會(huì)網(wǎng)絡(luò)的精確營(yíng)銷策略實(shí)施步驟主要包括：首先收集用戶信息，并對(duì)用戶屬性數(shù)據(jù)、關(guān)系數(shù)據(jù)以及行為數(shù)據(jù)等進(jìn)行數(shù)據(jù)清洗及存儲(chǔ)；其次，對(duì)用戶主要行為進(jìn)行分析，識(shí)別活躍用戶，構(gòu)建用戶信任網(wǎng)絡(luò)；基于社會(huì)網(wǎng)絡(luò)中用戶信任網(wǎng)絡(luò)，采用GN算法（Girvan和Newman提出）對(duì)用戶進(jìn)行群體分析，并進(jìn)一步分析群體內(nèi)用戶發(fā)布的內(nèi)容，通過自然語(yǔ)言處理的方法，確定群體的興趣；同時(shí)，通過尋找群體的最大生成樹方式，確定群體中的關(guān)鍵傳播路徑，并最終找到群體中起關(guān)鍵傳播作用的領(lǐng)袖節(jié)點(diǎn)，確定以此類節(jié)點(diǎn)作為群體精確營(yíng)銷的主要突破點(diǎn)進(jìn)行營(yíng)銷活動(dòng)，確保營(yíng)銷的傳播最大化；最后，根據(jù)營(yíng)銷內(nèi)容及營(yíng)銷關(guān)鍵節(jié)點(diǎn)，進(jìn)行差異化、精確化的營(yíng)銷活動(dòng)。

2.1 用戶信任網(wǎng)絡(luò)構(gòu)建

2.1.1 社會(huì)網(wǎng)絡(luò)用戶行為分析

社會(huì)網(wǎng)絡(luò)是一個(gè)基于用戶關(guān)注關(guān)系的信息發(fā)布、獲取及傳播平臺(tái)，由用戶、用戶關(guān)系、用戶行為以及用戶生成內(nèi)容組成[3]。由于所有社會(huì)網(wǎng)絡(luò)中用戶的行為趨于一致，下面以新浪微博中用戶行為為例進(jìn)行說明。新浪微博中用戶最主要的行為包括關(guān)注、發(fā)布、評(píng)論、轉(zhuǎn)發(fā)及推送（@）等，詳述如下：

（1）關(guān)注：用戶通過關(guān)注功能表示對(duì)另一用戶的興趣，關(guān)注某一用戶也標(biāo)志著對(duì)該用戶生成內(nèi)容訂閱，當(dāng)該用戶發(fā)布微博時(shí)，微博內(nèi)容將自動(dòng)被推送到其粉絲用戶的主頁(yè)面。

（2）發(fā)布：指用戶可以在自己的主頁(yè)面上發(fā)布個(gè)人觀點(diǎn)等相關(guān)內(nèi)容，此類內(nèi)容會(huì)自動(dòng)被顯示到其粉絲的主頁(yè)面上。

（3）評(píng)論：指用戶可以對(duì)其他用戶發(fā)布的微博發(fā)表個(gè)人的意見，評(píng)論內(nèi)容可以選擇性的顯示在自己的主頁(yè)面上。

（4）轉(zhuǎn)發(fā)：指用戶可以對(duì)其他用戶發(fā)布的微博進(jìn)行轉(zhuǎn)發(fā)，轉(zhuǎn)發(fā)內(nèi)容則會(huì)顯示在自己的主頁(yè)面上，其粉絲能接收到此轉(zhuǎn)發(fā)微博。

（5）推送：也即“@”后面跟用戶賬號(hào)的方式，表示將發(fā)布內(nèi)容推送到用戶賬號(hào)的主頁(yè)面，發(fā)起互動(dòng)。

總體來(lái)說，關(guān)注是建立用戶之間關(guān)系網(wǎng)絡(luò)的，而用戶生成內(nèi)容的傳播主要?jiǎng)t是依靠用戶的轉(zhuǎn)發(fā)和推送行為，用戶生成內(nèi)容傳播的過程如圖3所示。

2.1.2 用戶信任網(wǎng)絡(luò)構(gòu)建

用戶的關(guān)系網(wǎng)絡(luò)大多基于關(guān)注關(guān)系得到，然而由于目前大量僵尸賬號(hào)的存在，關(guān)注關(guān)系網(wǎng)絡(luò)不能很好地反映用戶之間的實(shí)際互動(dòng)行為，而基于用戶實(shí)際行為的網(wǎng)絡(luò)能夠更好地表示用戶之間的親密程度及信任關(guān)系[4]。鑒于此，本文將基于用戶轉(zhuǎn)發(fā)及推送行為構(gòu)建用戶信任網(wǎng)絡(luò)，影響用戶信任程度的行為如圖4所示。

根據(jù)上述的分析可知，轉(zhuǎn)發(fā)行為和推送行為是用戶間信任度的關(guān)鍵影響因素，由于行為性質(zhì)的不同，對(duì)于信任程度的影響也不盡相同，因此賦予兩個(gè)行為不同的權(quán)值，用戶之間的信任指標(biāo)可由式1表示。

[ti，j=α（Ni，j（r）+Nj，i（r））+β（Nj，i（m）+Ni，j（m））Ni+Nj] （1）

其中：Ni， j表示用戶i和用戶j之間互動(dòng)行為的總次數(shù)，包括轉(zhuǎn)發(fā)行為（用上標(biāo)r表示）及推送行為（用上標(biāo)m表示）；Ni表示用戶i發(fā)起的行為總和；α和β分別表示轉(zhuǎn)發(fā)行為的權(quán)值和推送行為的權(quán)值。

考慮到推送行為中經(jīng)常包含反對(duì)意見及無(wú)意義的內(nèi)容，因此賦予轉(zhuǎn)發(fā)行為更高的權(quán)值α=0.7，而推送行為權(quán)值為β=0.3。依據(jù)上述假設(shè)，形成的用戶信任網(wǎng)絡(luò)如圖4所示，每一節(jié)點(diǎn)代表社會(huì)網(wǎng)絡(luò)中的一個(gè)用戶，而節(jié)點(diǎn)之間的連線代表用戶之間存在信任關(guān)系，連線上的權(quán)重表示用戶之間信任程度，如圖5中用戶5和用戶7之間的信任度為16。

2.2 目標(biāo)群體的精準(zhǔn)定位

由于精確營(yíng)銷的核心是目標(biāo)用戶群體的精確定位，因此需要對(duì)社會(huì)網(wǎng)絡(luò)的用戶基于用戶信任網(wǎng)絡(luò)進(jìn)行群體劃分；在得到的群體基礎(chǔ)上，通過自然語(yǔ)言處理技術(shù)研究群體內(nèi)部用戶發(fā)布微博的內(nèi)容，確定群體興趣，實(shí)現(xiàn)目標(biāo)用戶群體的精確定位。

根據(jù)往網(wǎng)絡(luò)中添加邊還是移除邊，群體劃分的算法可以分為分裂方法[5]和凝聚方法[6-7]。本文選取分裂方法中的GN算法對(duì)用戶信任網(wǎng)絡(luò)進(jìn)行群體劃分，GN算法是基于去邊的社團(tuán)發(fā)現(xiàn)算法，能夠?qū)⒕W(wǎng)絡(luò)分裂成任意數(shù)量的社團(tuán)，由于此算法是被Girvan和Newman首次提出，因此將此基于去邊的社團(tuán)發(fā)現(xiàn)算法命名為GN算法。算法的具體步驟如下：首先計(jì)算網(wǎng)絡(luò)中各邊的邊介數(shù)，即經(jīng)過每條邊的最短路徑數(shù)目；其次，通過不斷去除網(wǎng)絡(luò)中邊介數(shù)最大的邊來(lái)進(jìn)行群體劃分；而經(jīng)過每一次劃分，計(jì)算此時(shí)形成的群體的模塊度情況，直到模塊度達(dá)到峰值時(shí)，得到最優(yōu)的群體劃分結(jié)果。模塊度[8]的定義是：假設(shè)網(wǎng)絡(luò)被劃分為k個(gè)群體，則有k×k維的對(duì)稱矩陣E=（eij），其中元素eij表示網(wǎng)絡(luò)中連接不同群體i和j節(jié)點(diǎn)的邊在所有邊中所占的比例，E的對(duì)角線元素之和Tre=∑eii，每行元素之和ai=∑eij，則模塊度定義如式（2）所示。endprint

Q=∑i（eii-a2i）=Tre-‖e2‖ （2）

按照上述GN算法的步驟對(duì)用戶信任網(wǎng)絡(luò)進(jìn)行群體劃分，直到達(dá)到模塊度峰值結(jié)束，最終能夠形成如圖6所示的群體劃分結(jié)果。從圖6中可見，不同顏色節(jié)點(diǎn)屬于不同的群體，群體內(nèi)部互動(dòng)較為頻繁，即群體內(nèi)部成員之間關(guān)系較為緊密，一般情況下群體內(nèi)部成員的興趣也趨同。

基于群體劃分的結(jié)果，對(duì)每一群體中用戶發(fā)布微博內(nèi)容進(jìn)行分析，可以獲得群體的興趣。首先，根據(jù)已有的中文微博詞庫(kù)對(duì)微博進(jìn)行自動(dòng)分詞[9]；其次，通過詞頻統(tǒng)計(jì)的方式確定群體發(fā)布內(nèi)容的關(guān)鍵詞集；最后，在一定布局算法[10]的基礎(chǔ)上，形成每一群體的關(guān)鍵詞云圖，如圖7所示。從圖7中可以看出，該群體的興趣主要是“新iPHONE”、“crocs”等。根據(jù)群體關(guān)鍵詞云，能夠識(shí)別不同群體的不同興趣情況，以便結(jié)合群體的興趣以及精確營(yíng)銷內(nèi)容選擇合適的群體進(jìn)行營(yíng)銷。

2.3 消息傳播最大化

根據(jù)式（1）對(duì)用戶信任度的描述，能夠建立用戶信任網(wǎng)絡(luò)，每條邊代表用戶之間的信任程度，即信任度越大的邊代表信息發(fā)生傳播的可能性越大，也即消息的關(guān)鍵傳播路徑。根據(jù)分析，得到如下結(jié)論：群體內(nèi)部消息傳播起到重要作用的路徑（關(guān)鍵傳播路徑）的求解問題與信任網(wǎng)絡(luò)的最大生成樹求解問題具有一致性，因此關(guān)鍵傳播路徑的求解問題即可轉(zhuǎn)化為信任網(wǎng)絡(luò)的最大生成樹求解問題。假設(shè)最大生成樹由G表示，其中G={N， E， w， T}，N表示群體中的節(jié)點(diǎn)集合，E表示群體中節(jié)點(diǎn)之間的邊集，w表示邊的權(quán)重集合，T表示群體的生成樹包含的邊集，則最大生成樹T就是使w（T）取值最大的生成樹，其中w（T）由式（3）表示。

[ w（T）=e∈Tw（e）] （3）

由于網(wǎng)絡(luò)中最大生成樹問題沒有相應(yīng)的快速求解方法，我們將用戶信任網(wǎng)絡(luò)的最大生成樹問題進(jìn)一步轉(zhuǎn)化為用戶信任網(wǎng)絡(luò)G對(duì)應(yīng)的網(wǎng)絡(luò)G={N， E， w， T}的最小生成樹問題[11]，其中網(wǎng)絡(luò)G的權(quán)重為w，如式（4）所示。

[ w'（e）=e∈Ew（e）-w（e）] （4）

本文采用Kruskal算法[12]尋找網(wǎng)絡(luò)G最小生成樹，Kruskal算法是尋找關(guān)聯(lián)加權(quán)網(wǎng)絡(luò)中最小生成樹的貪婪算法，能夠找到邊的權(quán)重之和最小的邊集，得到的網(wǎng)絡(luò)G的最小生成樹也即對(duì)應(yīng)為信任網(wǎng)絡(luò)G的最大生成樹（關(guān)鍵傳播路徑），圖8是使用Kruskal算法獲得關(guān)鍵傳播路徑的詳細(xì)步驟。在圖8中，最終找到的紅色標(biāo)記的邊集即為關(guān)鍵傳播路徑。

基于獲得的關(guān)鍵傳播路徑，節(jié)點(diǎn)的信任度可由與節(jié)點(diǎn)相連的關(guān)鍵傳播路徑的信任度之和計(jì)算得到，將節(jié)點(diǎn)按照信任度由高到低進(jìn)行排序，從而能夠確定出在消息傳播路徑上對(duì)消息傳播具有重要擴(kuò)散作用的節(jié)點(diǎn)集序列，具有最高信任度的節(jié)點(diǎn)在整個(gè)群體中的傳播地位最高，對(duì)此類節(jié)點(diǎn)進(jìn)行營(yíng)銷，能夠達(dá)到使用最小的資源獲得最好的傳播效果的作用，保證精確營(yíng)銷的進(jìn)行。

3 基于社會(huì)網(wǎng)絡(luò)的精確

營(yíng)銷策略實(shí)施案例

根據(jù)上述對(duì)于基于社會(huì)網(wǎng)絡(luò)的精確營(yíng)銷策略的描述，此策略的實(shí)施主要分為構(gòu)建信任網(wǎng)絡(luò)、群體劃分、群體興趣發(fā)現(xiàn)、群體關(guān)鍵路徑發(fā)現(xiàn)、群體營(yíng)銷點(diǎn)確定五個(gè)部分，下面以iPHONE的精確營(yíng)銷為例，進(jìn)行簡(jiǎn)要說明，具體如圖9所示。

為了實(shí)現(xiàn)對(duì)圖9（a）中關(guān)系網(wǎng)絡(luò)所示用戶群進(jìn)行iPHONE的精確營(yíng)銷，首先需要去除關(guān)系網(wǎng)絡(luò)中對(duì)消息傳播沒有貢獻(xiàn)的用戶，由圖9中（a）關(guān)系網(wǎng)絡(luò)到圖9（b）信任網(wǎng)絡(luò)實(shí)現(xiàn)的是去除關(guān)系網(wǎng)絡(luò)中僵尸用戶等對(duì)消息傳播沒有貢獻(xiàn)的用戶，依據(jù)用戶之間實(shí)際發(fā)生的行為，構(gòu)建得到信任網(wǎng)絡(luò)，例如圖9（a）中用戶a與用戶n、用戶n與用戶b等、用戶o到用戶r、用戶n到用戶p、用戶p到用戶g以及用戶c到用戶d是沒有發(fā)生實(shí)際行為的，因此在構(gòu)建信任網(wǎng)絡(luò)時(shí)，將這6條邊都去除，在圖9（b）標(biāo)記為灰色；其次，基于構(gòu)建的信任網(wǎng)絡(luò)圖9（b），對(duì)其進(jìn)行群體劃分得到圖9（c）中的群體劃分結(jié)果，即被劃分為3個(gè)群體；而通過對(duì)圖9（c）不同群體中用戶內(nèi)容進(jìn)行文本分析，確定群體的興趣，如圖9（d）中用戶j、k、l、m、n以及用戶o的興趣為“iPHONE”，用戶d、e、p、q以及用戶r的興趣為“減肥產(chǎn)品”，用戶f、g、h以及用戶i的興趣則是“奶粉”，明確了群體興趣，也即對(duì)不同群體的營(yíng)銷內(nèi)容有了清晰的認(rèn)識(shí)；通過尋找不同群體中的最大生成樹，能夠進(jìn)一步確定群體中的關(guān)鍵傳播路徑，如圖9（e）中群體中的紅色標(biāo)記的邊即為不同群體的關(guān)鍵傳播路徑；進(jìn)一步，通過對(duì)傳播路徑中每個(gè)用戶根據(jù)相連邊的信任度求和，得到群體中最有傳播地位的用戶，最終確定關(guān)鍵營(yíng)銷用戶，如圖9（f）中所示，“iPHONE”興趣群體中，用戶n為關(guān)鍵營(yíng)銷點(diǎn)，“奶粉”興趣群體中，用戶h為關(guān)鍵營(yíng)銷點(diǎn)。因此，原始營(yíng)銷手段下需要對(duì)圖9（a）中所有用戶都進(jìn)行的營(yíng)銷活動(dòng)能夠精確到只需對(duì)圖9（f）中“iPHONE”興趣群體中的關(guān)鍵營(yíng)銷點(diǎn)n進(jìn)行營(yíng)銷即可，大大降低了營(yíng)銷成本，提高了營(yíng)銷效率，實(shí)現(xiàn)基于社會(huì)網(wǎng)絡(luò)的精確營(yíng)銷。

4 結(jié)束語(yǔ)

由于社會(huì)網(wǎng)絡(luò)自身低成本、高效率以及個(gè)性化傳播等方面的特點(diǎn)，決定了其作為精確營(yíng)銷手段的巨大潛力，本文在充分分析社會(huì)網(wǎng)絡(luò)特點(diǎn)的基礎(chǔ)上，提出了一種基于社會(huì)網(wǎng)絡(luò)的精確營(yíng)銷策略，在市場(chǎng)營(yíng)銷及社會(huì)網(wǎng)絡(luò)消息傳播方面都有一定的應(yīng)用價(jià)值。本文深入分析了社會(huì)網(wǎng)絡(luò)用戶行為，構(gòu)建了用戶信任網(wǎng)絡(luò)；基于用戶信任網(wǎng)絡(luò)，通過GN算法進(jìn)行群體劃分，并在群體劃分的基礎(chǔ)上，利用文本分析技術(shù)實(shí)現(xiàn)群體興趣發(fā)現(xiàn)，確定群體營(yíng)銷內(nèi)容；基于用戶信任網(wǎng)絡(luò)最大生成樹確定關(guān)鍵傳播路徑，并依據(jù)關(guān)鍵傳播路徑上節(jié)點(diǎn)信任度指標(biāo)確定營(yíng)銷關(guān)鍵點(diǎn)，實(shí)現(xiàn)依據(jù)營(yíng)銷內(nèi)容和營(yíng)銷關(guān)鍵點(diǎn)進(jìn)行差異化、精確化營(yíng)銷活動(dòng)的目的。

由于結(jié)合社會(huì)網(wǎng)絡(luò)分析進(jìn)行的精確營(yíng)銷技術(shù)和研究還遠(yuǎn)遠(yuǎn)不足，因此基于社會(huì)網(wǎng)絡(luò)的消息傳播及精確營(yíng)銷量化模型是以后研究的重點(diǎn)。

參考文獻(xiàn)

[1] 呂巍. 電信業(yè)精確營(yíng)銷分析與行動(dòng) [M]. 北京： 人民郵電出版社， 2007：35-36.endprint

[2] 喬秀全， 楊春， 李曉峰， 陳俊亮. 社交網(wǎng)絡(luò)服務(wù)中一種基于用戶上下文的信任度計(jì)算方法 [J]. 計(jì)算機(jī)學(xué)報(bào)， 2011，28（12）：2403-2413.

[3] RAVI K， JASMINE N， ANDREW T. Structure and Evolution of Online Social Networks [C]//Proceedings of the 12th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining（KDD）， August 2006， New York， NY， USA： ACM， 2006：935-940.

[4] ALBERT L， RICARD G. Applying trust metrics based on user interactions to recommendation in social networks [C]//Proceedings of the 2012 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining （ASONAM）， 2012， Washington， DC， USA. 2012：1159-1164. doi：10.1109/ASONAM.2012.200.

[5] GIRVAN M， NEWMAN M E J. Community Structure in Social and Biological Networks [J]. PNAS， 2001，99（12）：7821-7826. doi：10.1073/pnas.122653799.

[6] NEWMAN M E J. Fast Algorithm for Detecting Community Structure in Networks [J]. Phys. Rev. E， 2004， 69（6）： 066133-066138. doi：10.1103/PhysRevE.69.066133.

[7] CLAUSET A， NEWMAN M E J， MOORE C. Finding Community Structure in Very Large Networks [J]. Phys. Rev. E， 2004， 70（6）： 066111-066117. doi：10.1103/PhysRevE.70.066111.

[8] NEWMAN M E J， GIRVAN M. Finding and Evaluating Community Structure in Networks [J]. Phys. Rev. E， 2004， 69（2）： 026113-026128. doi：10.1103/PhysRevE.69.026113.

[9] ICTCLAS漢語(yǔ)分詞系統(tǒng)：ICTCLAS簡(jiǎn)介 [EB/OL]. [2009-05-18]. http：//ictclas.org/sub_1_1.html.

[10] VIEGAS F B， WATTENBERG M， FEINBERG J. Participatory visualization with Wordle [J]. IEEE transactions on visualization and computer graphics， 2009， 15（6）： 1137-1144. doi：10.1109/TVCG.2009.171.

[11] GRAHAM R L， HELL P. On the history of the minimum spanning tree problem [J]. Annals of the History of Computing， 1985，7（1）： 43-57. doi：10.1109/MAHC.1985.10011.

[12] JOSEPH B K. On the shortest spanning subtree of a graph and the traveling salesman Problem [J]. American Mathematical Society， 1956，7（1）： 48-50.

作者簡(jiǎn)介

鮑媛媛，清華大學(xué)信息技術(shù)研究院博士后；主要研究領(lǐng)域?yàn)樯鐣?huì)網(wǎng)絡(luò)、行為動(dòng)力學(xué)等。

易成岐，哈爾濱理工大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院在讀博士研究生；主要研究領(lǐng)域?yàn)樯鐣?huì)網(wǎng)絡(luò)、信息傳播、云計(jì)算等。

薛一波，中國(guó)科學(xué)院計(jì)算技術(shù)研究院博士畢業(yè)；清華大學(xué)信息技術(shù)研究院研究員、CCF高級(jí)會(huì)員、IEEE/ACM會(huì)員；主要研究領(lǐng)域?yàn)橛?jì)算機(jī)網(wǎng)絡(luò)、信息安全、并行處理、分布式系統(tǒng)；已發(fā)表論文130余篇。endprint

[2] 喬秀全， 楊春， 李曉峰， 陳俊亮. 社交網(wǎng)絡(luò)服務(wù)中一種基于用戶上下文的信任度計(jì)算方法 [J]. 計(jì)算機(jī)學(xué)報(bào)， 2011，28（12）：2403-2413.

[3] RAVI K， JASMINE N， ANDREW T. Structure and Evolution of Online Social Networks [C]//Proceedings of the 12th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining（KDD）， August 2006， New York， NY， USA： ACM， 2006：935-940.

[4] ALBERT L， RICARD G. Applying trust metrics based on user interactions to recommendation in social networks [C]//Proceedings of the 2012 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining （ASONAM）， 2012， Washington， DC， USA. 2012：1159-1164. doi：10.1109/ASONAM.2012.200.

[5] GIRVAN M， NEWMAN M E J. Community Structure in Social and Biological Networks [J]. PNAS， 2001，99（12）：7821-7826. doi：10.1073/pnas.122653799.

[6] NEWMAN M E J. Fast Algorithm for Detecting Community Structure in Networks [J]. Phys. Rev. E， 2004， 69（6）： 066133-066138. doi：10.1103/PhysRevE.69.066133.

[7] CLAUSET A， NEWMAN M E J， MOORE C. Finding Community Structure in Very Large Networks [J]. Phys. Rev. E， 2004， 70（6）： 066111-066117. doi：10.1103/PhysRevE.70.066111.

[8] NEWMAN M E J， GIRVAN M. Finding and Evaluating Community Structure in Networks [J]. Phys. Rev. E， 2004， 69（2）： 026113-026128. doi：10.1103/PhysRevE.69.026113.

[9] ICTCLAS漢語(yǔ)分詞系統(tǒng)：ICTCLAS簡(jiǎn)介 [EB/OL]. [2009-05-18]. http：//ictclas.org/sub_1_1.html.

[10] VIEGAS F B， WATTENBERG M， FEINBERG J. Participatory visualization with Wordle [J]. IEEE transactions on visualization and computer graphics， 2009， 15（6）： 1137-1144. doi：10.1109/TVCG.2009.171.

[11] GRAHAM R L， HELL P. On the history of the minimum spanning tree problem [J]. Annals of the History of Computing， 1985，7（1）： 43-57. doi：10.1109/MAHC.1985.10011.

[12] JOSEPH B K. On the shortest spanning subtree of a graph and the traveling salesman Problem [J]. American Mathematical Society， 1956，7（1）： 48-50.

作者簡(jiǎn)介

鮑媛媛，清華大學(xué)信息技術(shù)研究院博士后；主要研究領(lǐng)域?yàn)樯鐣?huì)網(wǎng)絡(luò)、行為動(dòng)力學(xué)等。

易成岐，哈爾濱理工大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院在讀博士研究生；主要研究領(lǐng)域?yàn)樯鐣?huì)網(wǎng)絡(luò)、信息傳播、云計(jì)算等。

薛一波，中國(guó)科學(xué)院計(jì)算技術(shù)研究院博士畢業(yè)；清華大學(xué)信息技術(shù)研究院研究員、CCF高級(jí)會(huì)員、IEEE/ACM會(huì)員；主要研究領(lǐng)域?yàn)橛?jì)算機(jī)網(wǎng)絡(luò)、信息安全、并行處理、分布式系統(tǒng)；已發(fā)表論文130余篇。endprint

[2] 喬秀全， 楊春， 李曉峰， 陳俊亮. 社交網(wǎng)絡(luò)服務(wù)中一種基于用戶上下文的信任度計(jì)算方法 [J]. 計(jì)算機(jī)學(xué)報(bào)， 2011，28（12）：2403-2413.

[3] RAVI K， JASMINE N， ANDREW T. Structure and Evolution of Online Social Networks [C]//Proceedings of the 12th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining（KDD）， August 2006， New York， NY， USA： ACM， 2006：935-940.

[4] ALBERT L， RICARD G. Applying trust metrics based on user interactions to recommendation in social networks [C]//Proceedings of the 2012 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining （ASONAM）， 2012， Washington， DC， USA. 2012：1159-1164. doi：10.1109/ASONAM.2012.200.

[5] GIRVAN M， NEWMAN M E J. Community Structure in Social and Biological Networks [J]. PNAS， 2001，99（12）：7821-7826. doi：10.1073/pnas.122653799.

[6] NEWMAN M E J. Fast Algorithm for Detecting Community Structure in Networks [J]. Phys. Rev. E， 2004， 69（6）： 066133-066138. doi：10.1103/PhysRevE.69.066133.

[7] CLAUSET A， NEWMAN M E J， MOORE C. Finding Community Structure in Very Large Networks [J]. Phys. Rev. E， 2004， 70（6）： 066111-066117. doi：10.1103/PhysRevE.70.066111.

[8] NEWMAN M E J， GIRVAN M. Finding and Evaluating Community Structure in Networks [J]. Phys. Rev. E， 2004， 69（2）： 026113-026128. doi：10.1103/PhysRevE.69.026113.

[9] ICTCLAS漢語(yǔ)分詞系統(tǒng)：ICTCLAS簡(jiǎn)介 [EB/OL]. [2009-05-18]. http：//ictclas.org/sub_1_1.html.

[10] VIEGAS F B， WATTENBERG M， FEINBERG J. Participatory visualization with Wordle [J]. IEEE transactions on visualization and computer graphics， 2009， 15（6）： 1137-1144. doi：10.1109/TVCG.2009.171.

[11] GRAHAM R L， HELL P. On the history of the minimum spanning tree problem [J]. Annals of the History of Computing， 1985，7（1）： 43-57. doi：10.1109/MAHC.1985.10011.

[12] JOSEPH B K. On the shortest spanning subtree of a graph and the traveling salesman Problem [J]. American Mathematical Society， 1956，7（1）： 48-50.

作者簡(jiǎn)介

鮑媛媛，清華大學(xué)信息技術(shù)研究院博士后；主要研究領(lǐng)域?yàn)樯鐣?huì)網(wǎng)絡(luò)、行為動(dòng)力學(xué)等。

易成岐，哈爾濱理工大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院在讀博士研究生；主要研究領(lǐng)域?yàn)樯鐣?huì)網(wǎng)絡(luò)、信息傳播、云計(jì)算等。

薛一波，中國(guó)科學(xué)院計(jì)算技術(shù)研究院博士畢業(yè)；清華大學(xué)信息技術(shù)研究院研究員、CCF高級(jí)會(huì)員、IEEE/ACM會(huì)員；主要研究領(lǐng)域?yàn)橛?jì)算機(jī)網(wǎng)絡(luò)、信息安全、并行處理、分布式系統(tǒng)；已發(fā)表論文130余篇。endprint