基于深度学习立场检测的在线客户互动中品牌拥护行为识别研究

《Electronic Commerce Research and Applications》：Stance detection for customer advocacy identification in online customer engagement: A deep learning approach

本文提出了一种创新的深度学习架构，结合ELECTRA嵌入、层次注意力BiGRU和胶囊网络，旨在通过立场分析精准识别社交媒体品牌-客户互动中的客户拥护行为。研究超越了传统情感分析的局限，将立场分为支持者(Advocate)、中立者(Neutral)和反对者(Antagonist)三类，模型在多项指标上超越BERT、ELECTRA等基线，证明了立场检测作为监控客户拥护行为有效代理的可扩展性，为品牌管理与学术研究提供了新工具。

　　

亮点

客户互动与品牌拥护

客户互动(CE)已成为市场营销与服务研究的核心构念，因为它捕捉了为客户创造关系价值的自愿性、非交易性客户行为，例如口碑(WOM)、在线评论和社区参与。客户互动通常被概念化为多维度的（认知、情感、行为），并被视为驱动客户忠诚度、品牌拥护和公司绩效等下游结果的因素。品牌拥护在所有互动结果中占据着特别重要的地位。拥护者们超越了被动的满意度：他们积极地为品牌辩护、推荐和代言，从而增强了品牌资产和抵御声誉威胁的能力。

问题陈述与符号

我们将在客户拥护背景下进行立场检测的形式化定义如下。令品牌推文为：T_b= (w₁^b, w₂^b, ..., w_nb^b)，其中 w_i^b是品牌消息中的第 i 个词元，n_b是以词元为单位的品牌推文长度。类似地，令客户回复为：T_c= (w₁^c, w₂^c, ..., w_nc^c)，其中 w_j^c是回复中的第 j 个词元，n_c是回复长度。

立场标签空间为：C = {Advocate, Neutral, Antagonist}，其中：

• 支持者(Advocate) 表示对品牌消息的同意、支持或认可。

• 中立者(Neutral) 表示没有明确的...

品牌-客户数据集

我们主要的实验数据集由 X 个澳大利亚知名品牌与其客户之间进行的对话组成。该数据集的构建旨在为在客户拥护背景下的立场检测提供一个真实、领域特定的基准。该数据集涵盖了14个澳大利亚官方品牌账户，涉及银行与金融服务以及电信与互联网服务提供商领域。这种领域的多样性确保了模型能遇到广泛的品牌...

基准测试结果

表3展示了每个类别的精确率、召回率和F1分数，以及先前报告的全局指标（准确率、宏观F1、微观F1、κ系数、MCC）。这种细分的呈现对于理解模型在不对称的立场分布（支持者约40%，中立者约35%，反对者约25%）中的性能至关重要。

基准比较揭示了跨个体立场类别和整体评估指标的若干重要趋势。对于反映明确或隐含...

讨论与启示

本研究的结果表明，专门为品牌-客户对话定制的立场检测架构，与仅依靠传统情感分析相比，能为客户拥护提供更具区分性和管理相关性的视角。客户拥护被广泛认为是客户互动的关键成果，也是驱动公司绩效的因素，特别是在数字和社交媒体环境中，其中...

结论

本研究提出了一种结合ELECTRA嵌入、层次注意力BiGRU和动态路由胶囊网络的新型深度学习架构，用于通过立场分析检测客户拥护行为。我们的模型在公共基准测试和现实世界的品牌-客户数据集上始终优于强基线模型，证明了其捕捉关系动态的能力。研究结果凸显了立场检测对于识别和互动品牌拥护者的实际效用。