平台简介 #

公共部分 #

数字品牌资产管理平台是什么？ #

数字品牌资产管理平台为了实现某一商业分析目的（品牌舆情、活动效果等），通过爬虫技术，对目标网站特定内容进行数据抓取，再利用语义分析、数字计算等技术，以及基于互联网声量的关键词进行舆情指数分析，竞争品牌分析，舆情预警分析，活动效果分析等等，用大数据量化品牌影响力，清晰地描绘品牌在互联网上的表现，帮助企业实时监控品牌建设的问题和成效。同时，它也能够衡量企业是否掌握了在数字时代构建品牌的能力。

工作原理 #

数字品牌资产管理平台根据业务需求，按照一定的数据采集规则，到指定网站采集数据；然后对数据进行提取、转换、加载、保存、分析等处理，最后通过可视化技术将数据、图表等内容在网上平台实时展示。

系统面向用户人群 #

数字品牌资产管理平台主要是面向与品牌、媒介、渠道、电商等业务相关人员或部门。业务数据分析人员可以方便地对企业数据进行检索，释放IT人员的生产力，加快数据获取。数据开发人员通过品牌及活动的快速监测配置，可以快速查看各项指标趋势、了解人群画像以及进行联想分析。

覆盖数据源 #

数字品牌资产管理平台覆盖数据源有微博、微信、新闻、论坛、贴吧、问答、视频、博客、短视频等媒体，共1124个站点。其中包括：

微博阵地：新浪微博；

微信阵地：微信；

新闻阵地：搜狐新闻、环球网、新浪新闻、网易新闻、腾讯新闻等668个站点；

论坛阵地：天涯社区、腾讯云-社区、一加社区、豆瓣娱乐等292个站点；

贴吧阵地：中国贴吧、百度贴吧、新浪股吧、英雄联盟吧等80个站点；

问答阵地：果壳问答、百度问答、搜狗问答、知乎等54个站点；

视频阵地：腾讯视频、爱奇艺、搜狐视频、哔哩哔哩、优酷等16个站点。

博客阵地：新浪博客、CSDN博客、博客中国、博客园等15个站点。

短视频阵地：抖音、快手；

电商笔记阵地：小红书；

品牌监测 #

使用场景 #

品牌监测应用主要对品牌及竞品进行实时社媒数据监控，对品牌社媒动态、内容、受众人群多维度分析，快速地掌握不同品牌在社媒中的营销表现，动态跟踪品牌表现，挖掘品牌舆情热点。

主要功能 #

实时监控竞争品牌互联网数据，分析竞争品牌活动效果，做到舆情预警；

预估传播和品牌项目线上活动效果产出，通过提供过往历史数据标准值及数学模型协助制定策略。

主要操作 #

查看不同类别下的各种品牌的总览分析、单品牌剖析、品牌对标、品牌事件分析等相关指标趋势、分布查看；

可以按照天、周、月等时间间隔以可视化图示的方式查看各品牌的相关指标数据；

添加新品牌或修改品牌关键词后，可以选择相应时间段在系统中查看到相关的指标数据。

Top10事件使用指引 #

Top10事件图表展示逻辑： #

1：根据筛选条件，取声量库（即原贴库）中聚类声量top100的事件指纹；

2：根据筛选条件，取互动量增量库中top100的事件指纹；

3：根据Top10事件图表中的声量、互动量字段，点击选择按声量或者按互动量降序，即可按需展示声量or互动量Top10事件（注：内容分析页展示Top50事件）

注：DBA系统的互动量为7天增量展示，互动量增量从发帖日的第二天开始计算，所以需要找峰值事件时，筛选时间需要根据声量或互动量峰值点日期分别增加或递减3-7天，结合系统的互动量7天增量展示的看数逻辑看事件效果。

声量峰值事件定位： #

步骤一： 找到品牌声量峰值点，如下图，芒果TV在2020年10月5日出现声量峰值点

步骤二：另起页面打开内容分析页，选择品牌芒果TV，起始时间选择2020年10月5日，结束时间建议增加3-7天，如下图时间选择2020年10月5日-10月10日，根据声量降序，找到10月5日开始且声量较高的事件：

步骤三：点击事件，全局联动图表可以看到该品牌事件在2020年10月5日的微博声量为18265，而该品牌在10月5日的总声量为21229，则可以判定该事件即为芒果TV在2020年10月5日的峰值点事件。

互动量峰值事件定位： #

步骤一：找到互动量峰值点，如下图，芒果TV在2020年10月20日出现互动量峰值点

步骤二：另起页面打开内容分析页面，选择品牌芒果TV，结束时间选择2020年10月20日，开始时间建议减少3-7天，如下图时间选择为2020年10月15日-10月20日，点击按互动量排序事件，查找互动量较高&结束时间在10月20日的事件：

步骤三：点击事件，全局联动图表可以看到相关事件在10月20日互动量值高低判断该事件是否为引发互动量峰值的相关事件。如下截图中多个事件在10月20日有高互动量，共同带来了当天的互动量峰值。

核心技术 #

文本情感判别 #

用户通过发表内容表达自身情感时，主要包括正面、负面、中性三种倾向。当前系统基于自然语言处理及机器学习技术，深入挖掘用户不同情感的隐含特征，并经过大量的情感标注数据，迭代优化情感判别模型。

1.自然语言处理专家系统 #

机器学习模型擅长处理隐含的特征，而实际情感判断中用户文本会包含极其明显的情感倾向特征。在情感判断中，会首先判断文本是否包含明
显倾向特征。如果包含明显特征，将直接进行判断。其中明显特征包含：粗鲁的词汇，极致赞扬，特殊表情，和特殊符号。

2.机器学习判断系统 #

机器学习系统对用户情感隐含特征进行训练和判断。利用积累的通用情感标注文本和领域专用的新增用户标注数据，和使用N-Gram的自然语言模型，作为文本特征。在综合比较机器学习的算法后，采用随机森林对特征进行训练，随机森林拥有训练快速，结果鲁棒性强的优良特征，在机器学习领域有广泛的使用。

论坛水帖判别 #

满足下列条件任意一个判断为水帖 #

微博水帖判别 #

如何判别水军（僵尸） #

僵尸账号通常有几个特点：微博数量、粉丝数量、关注数量很少；微博的互动几乎没有；发微博频率固定；微博来源中显示的终端设备单一；微博
内容中广告的比例很高；微博中@用户的情况很多；关注用户中蓝V较多等

一、僵尸号或者水军的基本特点：（以下各个维度占不同的权重） #

1. 帮人增加粉丝数；

2. 发小广告；

3. 专业抽奖；

4. 帮人刷评论、转发

5. 长时间不发微博

6. 粉丝质量低

二、僵尸用户如何识别： #

要解决僵尸账号的问题，这些特征只能作为进一步参考的依据，更多的工作则需要通过计算机自动算法、存储方式、自动分类等手段来实现。具体
来说，为了计算出每个新浪微博账号的真实粉丝，需要解决三个问题：

1. 完整性账号抓取：

从某个账号出发，获得他的关注人列表，再从这些关注人出发获取更多的关注人列表，循环可以得到完整的新浪用户列表。为了得到尽可能完
整的用户列表，不断重复以上过程，通过对高质量节点（粉丝较多、微博较多、认证账号等）的遍历提升用户质量。

2. 基于机器学习的僵尸分类算法：

综合使用规则过滤和机器学习分类的算法，僵尸过滤算法的准确度能达到80%，算法规则库包括微博粉丝数、关注数、微博数、收藏数、互粉
数、域名、微博、blog地址等维度创建，匹配僵尸账号的状态，可快速识别绝大部分的僵尸用户。更高级的，通过机器学习来解决，比如抓
取一个用户的更多数据（个人资料、微博内容等）来进行全方位、多维度的分析。首先通过人工标注大量僵尸账号，抽取几十个维度的特征来
识别僵尸用户，最后通过机器学习（SVW分类模型）训练出一个分类模型，完成对僵尸和非僵尸用户的识别。

3. 算法的维度：

(1)
基本信息：昵称、头像、互粉数、关注数、粉丝数、关注/粉丝比例、微博数、收藏数、微号、博客地址等。(2)
高级信息：微博内容（广告、抽奖、垃圾信息）、微博来源、发送频率、转发数、评论数、评论的评论数、赞数等、转发/互动对象。(3)
互粉好友的上述指标

三、举例说明 #

1. 专业抽奖，发小广告，发的微博几乎都是参与转发抽奖的，例如该用户：
http://weibo.com/u/3037593342

2. 帮人刷评论、转发，例如该用户：
http://weibo.com/u/5020189380
，
http://weibo.com/u/5029543861
几乎所有的微博都是转发李易峰、霍建华。

3. 长时间不发微博，或者发微博的频率极低，例如该用户：
http://weibo.com/u/2881233161
，最近一条微博是一年前发的，活跃率极低。

4. 粉丝质量低，即该用户的粉丝大部分也符合僵尸粉或水军的特点。 例如用户：
http://weibo.com/u/2430388365

5. 微博昵称以“用户”、“手机用户”开头，例如该用户：
http://weibo.com/u/3037593342

6. 没有头像，用的是默认头像，例如：
http://weibo.com/u/1925438765

7. 关注数比粉丝数多很多，例如：
http://weibo.com/u/3214371824