Применение семантического анализа в стратегическом маркетинге при использовании инструмента интеллект-карт

Об авторах:

Логинова Юлия Валентиновна, кандидат экономических наук, старший преподаватель департамента массовых коммуникаций и медиабизнеса, Финансовый университет при Правительстве РФ, Москва, Россия
jul.cool@mail.ru, https://orcid.org//0000-0002-8854-5886

Логинов Илья Валентинович, доктор технических наук, профессор кафедры математики и информационных технологий, Среднерусский институт управления — филиал РАНХиГС, Орёл, Россия
loginov_iv@bk.ru

Аннотация:

В статье рассматривается использование в маркетинге интеллект-карт как инструмента, применяемого для поиска решений и систематизации информации. Для решения маркетинговых задач и разработки эффективных маркетинговых стратегий большое значение имеет обработка и анализ получаемой информации. Для более эффективного использования таких инструментов, как интеллект-карты, и минимизации ручной обработки данных появляются различные запросы, например объединение карт в одну от нескольких экспертов или разные итерации карты от одного эксперта. Из-за увеличения объема и потока информации повышается трудоемкость анализа текстов на естественных языках. Предложен алгоритм, состоя­щий из пяти этапов, и методика для решения проблемы объединения информации интеллект-карт в одну методами семантического анализа. Для апробации методики проведен эксперимент, в ходе которого проанализировано более 30 интел­лект-карт. По результатам анализа представлена объединенная интеллект-карта на основе предлагаемой методики и решена задача объединения ряда разнородных карт в одну с помощью семантического анализа. В статье использованы такие методы, как анализ литературы, эксперимент, семантический анализ текста.

Список литературы:

Алексеева Т. Е., Федосеева Л. Н. 2022. Англоязычные рекламные слоганы автопроизводителей: структурно-семантический анализ // Вестник Воронежского государственного университета. Серия: Лингвистика и межкультурная коммуникация. № 1. С. 81–87.

Белов С. Д., Зрелова Д. П., Зрелов П. В., Кореньков В. В. 2020. Обзор методов автоматической обработки текстов на естественном языке // Системный анализ в науке и образовании. № 3. С. 8–22.

Ехлаков Ю. П., Малаховская Е. К. 2018. Семантическая сеть формирования содержания текстового коммуникационного сообщения для продвижения мобильных приложений на потребительский рынок // Вестник Дагестанского государственного технического университета. Технические науки. № 45 (1). С. 129–138.

Изакова Н. Б., Елькина К. С. 2021. Матричный метод Росситера — Перси при разработке коммуникационной стратегии производителя хлебобулочных изделий // e-FORUM. Том 5. № 2 (15).

Комарова С. Н., Мишурова А. Ю. 2020. Выбор маркетинговой стратегии сервисного предприятия для обеспечения устойчивого развития // Естественно-гуманитарные исследования. № 28 (2). С. 119–128.

Кузнецов С. А., Вильнин А. Д. 2021. Сравнение методов оценки семантического сходства на основе doc2vec и tf-idf // Электронные средства и системы управления: XVII Междунар. науч.-практ. конф. (17–19 ноября 2021 г.). С. 166–168.

Лепехина Ю. А. 2018. Выбор стратегии стивидорной компании на основе маркетингового анализа // Экономика устойчивого развития. № 2 (34). С. 200–213.

Любецкий П. Б. 2018. Механизм формирования и реализации маркетинговой стратегии мясоперерабатывающих предприятий. Горки: БГСХА. 288 с.

Микалко М. 2019. Взлом креатива: как увидеть то, что не видят другие / пер. с англ. А. Коробейникова. М.: Манн, Иванов и Фербер. 4-е изд. 320 с.

Фещенко Л. Г. 2020. Пентаграмма рекламного текста, или комплексная методика анализа (предтекст, контекст, текст, подтекст, затекст) // Жанры и типы текста в научном и медийном дискурсе: сб. науч. трудов. Орёл: Орловский гос. ин-т культуры. Вып. 17. С. 21–35.

Шимохин А. В. 2021. Семантический анализ отзывов о поставщиках на основе применения нейросетевой технологии // Фундаментальные исследования. № 5. С. 117–121.

Шлыков В. А., Гордеева О. А. 2020. Формирование контекстной рекламы на основе анализа сетевой активности пользователя // Труды международного симпозиума «Надежность и качество». Том 1. С. 276–280.

Althuizen N., Wierenga B., Chen B. 2016. Managerial decision-making in marketing: matching the demand and supply side of creativity // Journal of Marketing Behavior. No. 2. Рр. 129–176.

Bagorka M. 2017. Methodological instruments for forming the marketing strategy of agricultural production ecologization // Baltic Journal of Economic Studies. No. 3. Рр. 7–11.

Beel J., Langer S. 2011. An exploratory analysis of mind maps // Proceedings of the 2011 ACM Symposium on Document Engineering. https://doi.org/10.1145/2034691.2034709

Chen T., Mohanty R. R., Hoffmann Rodriguez M. А., Krishnamurthy V. 2019. Collaborative mind-mapping: a study of patterns, strategies, and evolution of maps created by peer-pairs // Proceedings of the ASME 2019 International Design Engineering Technical Conferences & Computers and Information in Engineering Conference IDETC/CIE 2019 (August 18–21, 2019, Anaheim, CA, USA). https://doi.org/10.1115/DETC2019-98125

Deerwester S. C., Dumais S. T., Landauer T. K., Furnas G. W., Harshman R. A. 1990. Indexing by latent semantic analysis // JAsIs. No. 41 (6). Рр. 391–407.

Gabrilovich E., Markovitch S. 2007. Computing semantic relatedness using Wikipedia-based explicit semantic analysis // IJCAI. No. 7. Рр. 1606–1611.

Ge K., Zhao J.-Q., Zhao Y.-Y. 2022. Gr-gnn: gated recursion-based graph neural network algorithm // Mathematics. Vol. 10. No. 7. Р. 1171.

Hamilton W., Ying Z., Leskovec J. 2017. Inductive representation learning on large graphs // Advances in Neural Information Processing Systems. Рp. 1024–1034.

Hassan S., Mihalcea R. 2011. Semantic relatedness using salient semantic analysis // Twenty-Fifth AAAI Conference on Artificial Intelligence. No. 25. Рр. 884–889.

Hou Z., Liu X., Dong Y., Wang C., Tang J. 2022. Graphmae: self-supervised masked graph autoencoders // KDD ’22 (August 14–18, 2022, Washington, DC, USA). https://doi.org/10.48550/arXiv.2205.10803

Kedaj P., Pavlicek J., Hanzlik P. 2014. Effective mind maps in e-learning // Acta Informatica Pragensia. No. 3. Рр. 239–250.

Koznov D., Larchik E., Pliskin M., Artamonov N. 2011. Mind maps merging in collaborative work // Programming and Computer Software. No. 37. Рр. 315–321.

Landauer T. K., Laham D., Rehder B., Schreiner M. E. 1997. How well can passage meaning be derived without using word order? А comparison of latent semantic analysis and humans // Proceedings of the 19^th annual meeting of the Cognitive Science Society, Citeseer. Рр. 412–417.

Levie R., Monti F., Bresson X., Bronstein M. 2018. Cayleynets: graph convolutional neural networks with complex rational spectral filters // IEEE Transactions on Signal Processing. No. 67 (1). Рp. 97–109.

Li Z., Zhao Y., Zhang Y., Zhang Z. 2022. Multi-relational graph attention networks for know­ledge graph completion // Knowledge-Based Systems. No. 251. https://doi.org/10.1016/j.knosys.2022.109262

Lindholm A. 2001. September 13. 3-way merging algorithm for synchronizing ordered trees — the 3dm merging and differencing tool for XML: Master’s thesis / Helsinki University of Techno­logy, Department of Computer Science and Engineering. Finland, Espoo. https://citeseerx.ist.psu.edu/document?repid=rep1&type=pdf&doi=01233fb5ca6e286edabea...

Shabani N., Wu J., Beheshti A., Foo J., Hanif A., Shahabikargar M. 2023. A comprehensive survey on graph summarization with graph neural networks // Journal of IEEE Transactions on Artificial Intelligence. https://doi.org/10.48550/arXiv.2302.06114

Shalaby W., Zadrozny W. 2017. Mined semantic analysis: а new concept space model for semantic representation of textual data // IEEE International Conference on Big Data (BIGDATA). Рр. 2122–2131.

Tarka P., Łobiński M. 2014. Decision making in reference to model of marketing predictive analytics — theory and practice // Management and Business Administration. Central Europe. No. 22. Рр. 60–69.

Tomše D., Snoj B. 2014. Marketing communication on social networks: solution in the times of crisis // Marketing. No. 45. Рр. 131–138.

Veličković P., Cucurull G., Casanova A., Romero A., Lio P., Bengio Y. 2017. Graph attention networks // ICLR. https://doi.org/10.48550/arXiv.1710.10903

Yang D., Yin Y. 2021. Evaluation of taxonomic and neural embedding methods for calculating semantic similarity // Natural Language Engineering. No. 1 (29). https://doi.org/10.48550/arXiv.2209.15197

Zhang C.-Y., Yao Z.-L., Yao H.-Y., Huang F., Chen C. P. 2022. Dynamic representation learning via recurrent graph neural networks // IEEE Transactions on Systems, Man, and Cybernetics: Systems. No. 52 (3). Рp. 468–479.

Zhang S., Tong H., J. Xu, R. Maciejewski. 2019. Graph convolutional networks: a comprehensive review // Computational Social Networks. No. 6 (1). Рp. 1–23.