論文の概要: Put your money where your mouth is: Using deep learning to identify consumer tribes from word usage

• arxiv url: http://arxiv.org/abs/2105.13036v1
• Date: Thu, 27 May 2021 10:06:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-28 16:39:03.988300
• Title: Put your money where your mouth is: Using deep learning to identify consumer tribes from word usage
• Title（参考訳）: 口の中にお金を置く: ディープラーニングを使って単語の使用から消費者の種族を識別する
• Authors: P. Gloor, A. Fronzetti Colladon, J. M. de Oliveira, P. Rovelli
• Abstract要約: Tribefinderは、ツイートと言語の使用を分析して、Twitterユーザーの部族関係を明らかにするシステムである。 言語と社会的相互作用の指標を用いて、識別された部族の異なる特徴について論じる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Internet and social media offer firms novel ways of managing their marketing strategy and gain competitive advantage. The groups of users expressing themselves on the Internet about a particular topic, product, or brand are frequently called a virtual tribe or E-tribe. However, there are no automatic tools for identifying and studying the characteristics of these virtual tribes. Towards this aim, this paper presents Tribefinder, a system to reveal Twitter users' tribal affiliations, by analyzing their tweets and language use. To show the potential of this instrument, we provide an example considering three specific tribal macro-categories: alternative realities, lifestyle, and recreation. In addition, we discuss the different characteristics of each identified tribe, in terms of use of language and social interaction metrics. Tribefinder illustrates the importance of adopting a new lens for studying virtual tribes, which is crucial for firms to properly design their marketing strategy, and for scholars to extend prior marketing research.
• Abstract（参考訳）: インターネットとソーシャルメディアは、マーケティング戦略を管理し競争上の優位性を得る新しい方法を提供する。 特定のトピック、製品、ブランドについてインターネットで表現するユーザーのグループは、しばしば仮想部族(virtual tribe)またはeトリブ(e-tribe)と呼ばれる。 しかし、これらの仮想部族の特徴を特定し、研究するための自動ツールはない。 そこで本稿では,Twitter 利用者の部族関係を明らかにするシステムである Tribefinder について,そのつぶやきや言語利用を分析して紹介する。 本手法の可能性を示すために, 代替現実性, ライフスタイル, レクリエーションの3つの部族マクロカテゴリーについて考察する。 さらに,言語と社会的相互作用の指標を用いて,識別された種族ごとに異なる特徴を考察する。 Tribefinderは、企業がマーケティング戦略を適切に設計し、学者が以前のマーケティング研究を拡張するために不可欠である仮想部族を研究するために、新しいレンズを採用することの重要性を説明している。

関連論文リスト

• The Silent Curriculum: How Does LLM Monoculture Shape Educational Content and Its Accessibility? [0.0]
  LLM(Large Language Models)は、従来の検索エンジンと比較して、前例のない便利な情報を提供する。 私たちはこれを「Silent Curriculum」と呼び、特に印象的な人口層(子供)に焦点を移している。 我々は、子どものストーリーテリング、職業性偏見、自己診断アノテーションをナビゲートする短い実験を通じて、この概念を解き放つ。
  論文  参考訳（メタデータ） (2024-05-11T12:02:44Z)
• DOSA: A Dataset of Social Artifacts from Different Indian Geographical Subcultures [13.430332609906998]
  生成モデルは、テキスト生成、コモンセンス推論、質問応答など、様々なアプリケーションでますます使われている。 グローバルに効果的にするためには、これらのモデルは地域社会文化の文脈を認識し、説明する必要がある。 私たちは、19の異なるインド地域サブカルチャーから260人の参加者を参加させることで、最初のコミュニティ生成の $textbfD$ataset $textbfo$f 615 $textbfS$ocial $textbfA$rtifacts を導入するために参加研究手法を使用します。
  論文  参考訳（メタデータ） (2024-02-23T20:10:18Z)
• Evaluating Machine Perception of Indigeneity: An Analysis of ChatGPT's Perceptions of Indigenous Roles in Diverse Scenarios [0.0]
  この研究は、テクノロジが社会コンピューティングにおける不均一性に関連する社会的バイアスをどのように知覚し、潜在的に増幅するかについて、ユニークな視点を提供する。 この発見は、臨界コンピューティングにおける不均一性の広範な意味に関する洞察を与える。
  論文  参考訳（メタデータ） (2023-10-13T16:46:23Z)
• Self-supervised Hypergraph Representation Learning for Sociological Analysis [52.514283292498405]
  本稿では,データマイニング技術と社会学的行動基準のさらなる融合を支援するための基本的な方法論を提案する。 まず,効率的なハイパーグラフ認識と高速グラフ構築フレームワークを提案する。 第2に,ユーザからユーザへのソーシャルインフルエンスを学習するためのハイパーグラフベースニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-12-22T01:20:29Z)
• Unsupervised Neural Stylistic Text Generation using Transfer learning and Adapters [66.17039929803933]
  応答生成のためのスタイル特化属性を学習するために,モデルパラメータの0.3%しか更新しない新しい転送学習フレームワークを提案する。 我々はPERSONALITY-CAPTIONSデータセットからスタイル固有の属性を学習する。
  論文  参考訳（メタデータ） (2022-10-07T00:09:22Z)
• Persuasion Strategies in Advertisements [68.70313043201882]
  我々は,説得戦略の広範な語彙を導入し,説得戦略を付加した最初の広告画像コーパスを構築した。 次に,マルチモーダル学習による説得戦略予測のタスクを定式化する。 我々は、Fortune-500社の1600件の広告キャンペーンについて、現実世界でケーススタディを実施している。
  論文  参考訳（メタデータ） (2022-08-20T07:33:13Z)
• A Case Study and Qualitative Analysis of Simple Cross-Lingual Opinion Mining [0.0]
  本稿では,複数の言語をシミュレート可能な感情分析を用いた1つのトピックモデルの構築手法を提案する。 このモデルを,特定のドメイン,すなわち有機食品のユーザコメントに応用する。 安定・ドメイン関連トピックの比率が高く,トピックとその内容間の有意義な関係,ソーシャルメディア文書の解釈可能な表現が得られている。
  論文  参考訳（メタデータ） (2021-11-03T14:49:50Z)
• SoMin.ai: Personality-Driven Content Generation Platform [60.49416044866648]
  世界初のパーソナリティ駆動型マーケティングコンテンツ生成プラットフォームであるSoMin.aiを紹介します。 このプラットフォームは、ディープ・マルチビュー・パーソナリティ・プロファイリング・フレームワークと、スタイル・ジェネレーティブ・敵ネットワークを組み合わせている。 ソーシャルネットワーキングのユーザエクスペリエンスの向上や、コンテンツマーケティングのルーチンに使用できる。
  論文  参考訳（メタデータ） (2020-11-30T08:33:39Z)
• Content-based Analysis of the Cultural Differences between TikTok and Douyin [95.32409577885645]
  ショートフォームのソーシャルメディアは、聴衆にダイナミックなストーリーを伝え、彼らの注意を引き付けることによって、伝統的なメディアパラダイムから遠ざかる。 特に、興味深く、理解しやすいユニークなシーンを表現するために、日常的なオブジェクトの異なる組み合わせを用いることができる。 同じ会社によって提供されたTikTokとDouyinは、近年人気になった新しいメディアの好例だ。 メディアファッションや社会的慣用性とともに文化的な違いを表現しているという仮説が,本研究の主目的である。
  論文  参考訳（メタデータ） (2020-11-03T01:47:49Z)
• "To Target or Not to Target": Identification and Analysis of Abusive Text Using Ensemble of Classifiers [18.053219155702465]
  ソーシャルメディアプラットフォーム上での虐待的・憎悪的コンテンツを識別・分析するためのアンサンブル学習手法を提案する。 私たちの積み重ねられたアンサンブルは、3つの機械学習モデルで構成されており、言語のさまざまな側面をキャプチャし、不適切な言語に関する多様な一貫性のある洞察を提供する。
  論文  参考訳（メタデータ） (2020-06-05T06:59:22Z)
• I Know Where You Are Coming From: On the Impact of Social Media Sources on AI Model Performance [79.05613148641018]
  我々は、異なるソーシャルネットワークのマルチモーダルデータから学習する際、異なる機械学習モデルの性能について検討する。 最初の実験結果から,ソーシャルネットワークの選択がパフォーマンスに影響を及ぼすことが明らかとなった。
  論文  参考訳（メタデータ） (2020-02-05T11:10:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。