一种用于捕捉社交媒体中客户洞察的主题化方法

社交媒体时代为企业开启了新的机遇。这一日益增长的信息财富处于传统渠道与经典营销研究（包括营销组合建模（MMM））框架之外。尤其是文本数据，给数据分析从业者带来了诸多必须应对的挑战。社交媒体构成了海量、异构且含噪的文档来源。工业数据采集过程包含一定程度的 ETL。然而，数据中噪声的变异性以及不同来源引发的异构性产生了对专用工具的需求。换言之，在完全无监督、含噪情境下的客户洞察提取是一项艰巨任务。本研究致力于解决含噪大数据情境中完全无监督主题提取的挑战。我们提出了基于变分自编码器框架构建的三种方法：嵌入狄利克雷过程、嵌入层次狄利克雷过程以及时间感知的动态嵌入狄利克雷过程。这些关于主题的非参数方法具有确定词嵌入与主题嵌入的特性。这些嵌入不需要迁移学习，但知识迁移仍有可能。我们在基准数据集与来自真实用例的汽车行业相关数据集上测试了这些方法。我们表明，我们的模型取得了与最先进方法相当或更优的性能，并且主题建模领域将受益于改进的评价指标。