新書推薦：
《
情绪传染（当代西方社会心理学名著译丛）
》
售價：NT$
403.0
《
中国年画 1950-1990 THE NEW CHINA: NEW YEAR PICTURE 英文版
》
售價：NT$
1100.0
《
革命与反革命：社会文化视野下的民国政治（近世中国丛书）
》
售價：NT$
435.0
《
画楼：《北洋画报》忆旧（年轮丛书）
》
售價：NT$
1573.0
《
大国脊梁：漫画版
》
售價：NT$
374.0
《
跟着渤海小吏读历史：大唐气象（全三册）
》
售價：NT$
989.0
《
心智的构建：大脑如何创造我们的精神世界
》
售價：NT$
352.0
《
美国小史（揭秘“美国何以成为美国”，理解美国的经典入门读物）
》
售價：NT$
352.0
|
| 內容簡介： |
在具有弱关系、低黏性的社会化媒体中存储的用户产生内容数量巨大，但其内容碎片化、非结构化等大数据特征加大了企业处理在线负面口碑的难度。此外，企业过度参与可能导致被怀疑而丧失自身公信力。因此，如何帮助企业快速且有效地处理在线负面口碑，如何深度有效地开发用户产生内容资源成为学术界、产业界关注的新热点。
本书根据客户关系管理、价值共创、信息资源管理等理论，以社会化媒体平台的用户产生内容为源，从价值共创、资源、平台的综合视角，研究了企业在线负面口碑处理的价值共创管理模式、用户参与企业在线负面口碑处理的动机、在线评论有用性的影响因素、在线负面口碑处理的信息资源管理方法、在线负面口碑资源的识别及匹配方法、在线负面口碑处理专家推荐和处理方法、在线投诉处理的知识推荐方法及系统、在线抱怨自动处理的推荐方法及系统。
本书可作为管理科学与工程、计算机应用等专业研究生的教材，也可作为从事大数据研究与应用人员的参考资料。
|
| 目錄：
|
第1章 概述1
1.1 问题的背景1
1.2 国内外相关研究3
1.2.1 社会化媒体3
1.2.2 用户产生内容相关研究4
1.2.3 价值共创相关研究4
1.2.4 用户参与在线负面口碑处理相关研究6
1.2.5 信息资源的加工与价值推荐的相关研究7
1.2.6 超图理论的相关研究9
1.2.7 现有研究的不足以及实际需求10
1.3 本书的主要内容11
1.4 本书的特色与创新工作12
1.4.1 本书的特色12
1.4.2 创新之处12
第2章 基于价值共创的在线负面口碑处理及资源14
2.1 问题的提出14
2.2 社会化媒体中在线负面口碑及其特征14
2.2.1 社会化媒体中的在线负面口碑14
2.2.2 社会化媒体中在线负面口碑的特征15
2.3 在线负面口碑处理的需求与解决途径16
2.3.1 在线负面口碑处理的需求16
2.3.2 在线负面口碑解决途径17
2.4 在线负面口碑处理的价值共创模型18
2.4.1 社会化媒体中在线负面口碑处理的价值共创18
2.4.2 在线负面口碑处理的核心主体19
2.4.3 在线负面口碑处理的发布者、服务者、企业价值共创模型21
2.5 在线负面口碑处理的价值共创实现机理22
2.5.1 整体视角的价值共创模型实现机理22
2.5.2 单主体视角的价值共创模型实现机理24
2.6 社会化媒体中在线负面口碑处理的UGC资源27
2.6.1 社会化媒体处理在线负面口碑的UGC资源界定27
2.6.2 面向在线负面口碑处理的UGC的构成28
2.6.3 在线负面口碑处理的UGC资源的特征29
2.6.4 在线负面口碑处理的信息资源一般模型30
2.7 基于UGC资源的在线负面口碑处理框架30
第3章 社会化媒体用户参与企业在线负面口碑处理的动机32
3.1 问题的提出32
3.2 用户参与处理企业在线负面口碑动机模型33
3.2.1 用户参与处理企业在线负面口碑意愿的影响模型和理论假设33
3.2.2 用户参与处理企业在线负面口碑行为动机的测度36
3.2.3 测量项目的效度和信度评价38
3.3 用户参与处理企业在线负面口碑问卷质量评估42
3.3.1 参与问卷调查的人口特征统计42
3.3.2 样本数据质量评估43
3.3.3 模型中各变量与用户参与意愿的线性相关性分析45
3.4 模型假设检验与结论45
3.4.1 测量变量的多元线性回归分析45
3.4.2 研究结果与分析49
3.4.3 实验结果分析51
第4章 面向在线负面口碑处理的在线评论有用性的影响因素52
4.1 问题的提出52
4.2 面向处理在线负面口碑的在线评论有用性53
4.2.1 在线评论资源有用性定义及特征53
4.2.2 有用的在线评论在负面口碑处理中的作用54
4.3 在线评论有用性的影响因素模型55
4.3.1 在线评论有用性影响因素模型55
4.3.2 在线评论有用性影响因素假设56
4.3.3 在线评论有用性影响指标计算59
4.4 模型验证实验与分析62
4.4.1 实验数据来源62
4.4.2 实验数据收集和测量63
4.4.3 数据分析66
4.4.4 实验结果分析68
4.5 基于在线评论的资源识别的建议69
第5章 面向在线负面口碑的信息资源管理方法71
5.1 问题的提出71
5.2 面向在线负面口碑的信息资源共创管理支持框架72
5.2.1 共创策略72
5.2.2 物理和逻辑映射模型73
5.2.3 个性化推荐模型74
5.3 面向在线负面口碑传播模型的价值共创策略75
5.3.1 在线负面口碑传播界定75
5.3.2 基于价值共创的负面口碑传播响应模型77
5.3.3 仿真实验79
5.3.4 实验结果分析85
5.4 基于序化加工的信息资源物理映射87
5.4.1 信息资源物理映射问题分析87
5.4.2 信息资源物理映射模型和形式化模型89
5.4.3 信息资源序化方法92
5.4.4 实例分析94
5.5 面向消费者评论的信息资源逻辑映射96
5.5.1 信息资源逻辑映射问题分析96
5.5.2 理论背景和假设97
5.5.3 实验过程99
5.5.4 实验结果分析102
5.6 基于信息传播理论的协同过滤推荐模型108
5.6.1 面向社会化媒体的个性化推荐问题108
5.6.2 面向社会化媒体的协同过滤推荐框架110
5.6.3 用户偏好建模114
5.6.4 基于信息传播理论的个性化推荐模型115
5.6.5 实验结果分析116
第6章 在线负面口碑处理资源的识别与匹配方法122
6.1 问题的提出122
6.2 面向在线负面口碑处理的资源管理系统框架和特征集123
6.2.1 概念界定123
6.2.2 面向ONWOM处理的资源管理系统的假设与框架124
6.2.3 框架的可行性分析126
6.2.4 识别和匹配的特征集127
6.3 UGC中激励极性和情感极性及其度量128
6.3.1 激励极性及其度量128
6.3.2 情感极性及其度量131
6.4 面向ONWOM处理的资源管理系统的实现136
6.4.1 支持向量机的适用性分析136
6.4.2 系统主要功能137
6.4.3 系统性能评估指标139
第7章 基于专家资源识别的在线负面口碑处理141
7.1 问题的提出141
7.2 在线负面口碑处理的专家资源及其识别指标分析141
7.2.1 在线负面口碑处理的专家资源分析141
7.2.2 在线负面口碑处理的专家资源识别指标144
7.3 基于专家资源的在线负面口碑处理模式及工作机理145
7.3.1 基于专家资源的在线负面口碑处理的系统结构145
7.3.2 基于专家资源的在线负面口碑处理的工作机制145
7.3.3 实验与结果分析146
7.4 在线负面口碑处理的专家资源识别框架与指标计算模型150
7.4.1 专家资源的识别框架150
7.4.2 专家资源识别指标的计算模型151
7.5 实验与结果分析154
7.5.1 数据收集与预处理154
7.5.2 实验设计和评价指标156
7.5.3 实验结果分析157
第8章 在线负面口碑处理的专家推荐方法158
8.1 问题的提出158
8.2 在线负面口碑处理的价值共创模型和专家推荐框架158
8.2.1 基于价值共创的在线负面口碑处理专家推荐框架158
8.2.2 在线负面口碑影响力预测159
8.2.3 专家识别160
8.2.4 专家推荐161
8.3 基于回归树与衰减函数的在线负面口碑影响力预测模型161
8.3.1 概念界定与假设161
8.3.2 在线负面口碑特征及影响力预测模型162
8.3.3 在线负面口碑影响力预测的实验166
8.3.4 在线负面口碑处理策略169
8.4 在线负面口碑处理的专家识别方法171
8.4.1 概念界定与假设171
8.4.2 在线负面口碑处理的专家识别资源映射框架172
8.4.3 在线负面口碑处理的专家识别资源映射方法176
8.4.4 在线负面口碑处理的专家识别资源映射实验183
8.5 在线负面口碑处理的动态专家推荐方法186
8.5.1 概念界定与假设186
8.5.2 在线负面口碑处理的动态专家推荐方法188
8.5.3 实验与结果分析197
第9章 面向社会化媒体在线投诉处理的知识推荐及系统204
9.1 问题的提出204
9.2 基于价值共创的在线投诉处理模式205
9.2.1 主体价值共创动机的资源空间205
9.2.2 基于价值共创的在线投诉处理模式208
9.2.3 实验与结果分析212
9.3 基于模式匹配的在线投诉案例相似度计算217
9.3.1 定义与假设217
9.3.2 投诉案例相似度计算方法218
9.3.3 实验与结果分析224
9.4 基于人工神经网络的投诉句识别模型226
9.4.1 定义与假设226
9.4.2 投诉句识别方法228
9.4.3 实验与结果分析231
9.5 基于耐用品在线客户评论的客户细分分析方法235
9.5.1 定义与假设235
9.5.2 客户偏好建模方法236
9.5.3 客户细分分析方法238
9.5.4 实验与结果分析239
9.6 在线投诉处理知识推荐系统244
9.6.1 应用背景与需求分析244
9.6.2 数据流与信息处理246
9.6.3 系统结构与功能252
第10章 基于相似度的在线抱怨的自动处理及原型系统255
10.1 问题的提出255
10.2 社会化媒体中在线抱怨自动处理框架256
10.2.1 社会化媒体中在线抱怨自动处理的多主体互动模式256
10.2.2 在线抱怨自动处理总体框架258
10.2.3 在线抱怨自动处理的关键方法259
10.3 在线抱怨问题的识别方法260
10.3.1 在线抱怨识别的问题260
10.3.2 在线抱怨的组成要素与识别框架261
10.3.3 在线抱怨目标短语的识别262
10.3.4 触发核心词的识别262
10.3.5 抱怨问题路径的抽取264
10.3.6 实验与结果分析268
10.4 复合相似度的计算方法271
10.4.1 复合相似度的问题271
10.4.2 复合相似度计算表示272
10.4.3 权重赋值272
10.4.4 局部相似度计算方法选取274
10.4.5 复合相似度计算构建算法275
10.4.6 理论证明和实验结果276
10.5 在线抱怨案例的检索方法281
10.5.1 在线抱怨案例检索的问题281
10.5.2 在线抱怨案例相似度计算方法281
10.5.3 基于相似度的在线抱怨案例检索算法287
10.5.4 实验与结果分析289
10.6 面向在线抱怨自动处理的推荐原型系统293
10.6.1 系统需求分析293
10.6.2 系统总体结构设计294
10.6.3 原型系统的构建298
参考文献
|
| 內容試閱：
|
随着Web 2.0技术的不断发展与深入应用，社会化媒体（social media，SM）的传播效应在时间、空间、效率上已确立了显著优势，以惊人的速度渗透到社会的各个方面，成为用户产生内容（user generated content，UGC）这类大数据的重要来源之一。社会化媒体因海量UGC聚集而成为越来越多企业客户表达抱怨、负面口碑的重要平台。在线负面口碑（online negative wordofmouth，ONWOM）具有破坏力强、拒绝解释等特点，会给企业造成资产价值等方面的巨大损失。社会化媒体存储的UGC具有数量巨大且内容碎片化、非结构化等大数据特征，加大了企业处理难度。此外，ONWOM处理中，企业过度参与可能会导致被怀疑而丧失自身公信力。同时，社会化媒体的同质化、低黏性使得其面临激烈的市场竞争。因此，社会化媒体如何深度开发与利用UGC大数据为其用户提供高价值的增值服务，如何有效地处理社会化媒体中的ONWOM，成为社会化媒体客户关系管理、信息资源管理中急需解决的新问题。
本书针对社会化媒体中企业ONWOM处理问题，根据价值共创、客户关系管理、信息资源管理、超图理论等，以社会化媒体的UGC 为源，从价值共创、资源、平台的综合视角，重点研究企业ONWOM处理的价值共创管理模式、服务资源以及获取的模式方法、在线评论有用性、ONWOM处理的知识和专家推荐、UGC资源管理系统、ONWOM自动处理及原型系统等主要内容，为在社会化媒体中处理企业ONWOM的资源问题建立相应的理论基础，在客户关系管理、信息资源管理的理论与方法方面有实质性的突破。
本书的研究工作得到国家自然科学基金项目移动社会化媒体中基于价值共创的企业负面口碑处理资源的管理方法及系统研究（编号：71371081）、高等学校博士学科点专项科研基金基于价值共创的在线负面口碑处理知识推荐的研究（编号：20130142110044）的支持。
本书是作者以及企业商务智能工程研究所全体成员长期科研、系统开发实践以及教学实践的经验总结和理论升华，并参考和引用了不少国内外文献资料，吸取了国内外同行的研究成果和有关文献精华，他们的丰硕成果为本书撰写提供了重要的学术思想源泉，在此对相关文献的作者深表谢意。
在研究过程中，与作者合作的企业和相关人员也给予了大量的、无私的支持和帮助，在此表示感谢。石双元、邹新文、周鹏、曾异、李翠平、王文龙、王艺兴、钟雨露、王伟、余曼、冯进展、张心泽、张嘉妮等也为本书的编写做出了贡献，何炜晗为本书进行了终稿的校正工作。在此一并表示感谢。
由于作者水平的局限，书中难免存在疏漏之处，敬请广大读者批评指正。
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
