Москва, Россия
Орел, Россия
Повышение уровня конкурентной борьбы на всех видах рынков приводит к необходимости совершенствования методов, средств и технологий реализации маркетинговых усилий. Одним из способов компактного представления маркетинговой информации являются интеллект-карты, позволяющие систематизировать и визуализировать информацию по анализируемому маркетинговому явлению. Развитие технологий анализа текстов естественного языка позволяет применить весь арсенал методов для совершенствования маркетинговых исследований. В статье интеллект-карты с маркетинговой информацией рассматриваются как форма представления структурированного текста, что позволяет применить лингвистический подход к обработке соответствующих данных. Цель – объединить известные методы семантического анализа текстов и механизма расчета схожести графов в рамках расчета схожести интеллект-карт с помощью метода семантико-графового анализа. Эта методика предполагает преобразование исходной маркетинговой информации во множество структурированных графов лексических единиц, их попарное сравнение и расчет схожести с учетом структурно-множественного подхода и дальнейшее извлечение дополнительной информации методом обобщения. Результаты исследования показали возможность использования методов семантического анализа текстов для обработки маркетинговой информации и извлечения дополнительной информации из набора разнородных источников и от разных экспертов. Сделан вывод, что внедрение средств анализа текстовой информации позволит расширить арсенал методов маркетинговых исследований.
маркетинг, рынок, анализ, интеллект-карты, лингвистика, стратегия, семантический анализ, извлечение информации
1. Гаус А. С. Исследование портрета потребителей как направление маркетингового исследования. Трибуна ученого. 2022. № 10. С. 102–107. https://elibrary.ru/encqea
2. Madieva Z. Organizing marketing research and information on Internet marketing. Bulletin of Science and Practice, 2021, 7(4): 332–338. https://doi.org/10.33619/2414-2948/65/38
3. Козырев П. Э. К вопросу о методах и инструментариях информационного обеспечения маркетинговых исследований с использованием интернет-технологий. Вестник Гжельского государственного университета. 2022. № 6. С. 183–192. https://elibrary.ru/jsfxbr
4. Искосков М. О., Каргина Е. В. Управление маркетинговыми исследованиями рынка посредством многомерного кластерного анализа. Вестник Волжского университета им. В. Н. Татищева. 2019. Т. 2. № 3. С. 68–73. https://elibrary.ru/hggrrk
5. Иванова В. А., Саенко И. И. Применение анализа BIG DATA в маркетинговых исследованиях. Аллея науки. 2018. Т. 6. № 5. С. 1120–1123. https://elibrary.ru/utnztg
6. Лапшова О. А., Лялькова И. О. Нейромаркетинг и пипл-метры как методы маркетингового исследования. Социально-психологические проблемы ментальности / менталитета. 2020. № 16. С. 109–114. https://elibrary.ru/tymykq
7. Есауленко А. В., Рудская Е. Н. Инновационные методы в маркетинговых исследованиях. Современные научные исследования и разработки. 2017. № 8. С. 190–196. https://elibrary.ru/ymjdvl
8. Шаройко Ф. В., Грунина А. А. Повышение эффективности маркетинговых исследований с помощью качественно-количественного метода семантического дифференциала. Дельта науки. 2018. № 2. С. 58–63. https://elibrary.ru/yunrrj
9. Sknarev D. S. Reclamemiсs and linguistic marketing as new knowledge areas. Vestnik Rossiiskogo universiteta druzhby narodov. Seriia: Russkii i inostrannye iazyki i metodika ikh prepodavaniia, 2016, (3): 51–57. https://elibrary.ru/wlsgit
10. Ratnapuri C. I., Aprilia S., Ningrum D. K., Sudirman I. D., Alamsyah D. P. The mindmapping for marketing strategy: Case study of fashion industry. IOP Conference Series: Earth and Environmental Science: Proc. 4th Intern. Conf. on Eco Engineering Development, Banten, 10–11 Nov 2020. Banten: IOP Publishing Ltd, 2021, vol. 794. https://doi.org/10.1088/1755-1315/794/1/012082
11. Kudryavtsev D., Gavrilova T. From anarchy to system: A novel classification of visual knowledge codification techniques. Knowledge and Process Management, 2017, 24(1): 3–13. https://doi.org/10.1002/kpm.1509
12. Bhattacharya D., Mohalik R. Digital mind mapping software: A new horizon in the modern teaching-learning strategy. Journal of Advances In Education and Philosophy, 2020, 4(10): 400–406. http://dx.doi.org/10.36348/jaep.2020.v04i10.001
13. Фещенко Л. Г. Пентаграмма рекламного текста, или комплексная методика анализа (предтекст, контекст, текст, подтекст, затекст). Жанры и типы текста в научном и медийном дискурсе: конф. (Орел, 18–19 сентября 2020 г.) Орел: ОГИК, 2020. Вып. 17. С. 21–35. https://elibrary.ru/lsbewq
14. Ехлаков Ю. П., Малаховская Е. К. Семантическая сеть формирования содержания текстового коммуникационного сообщения для продвижения мобильных приложений на потребительский рынок. Вестник Дагестанского государственного технического университета. Технические науки. 2018. Т. 1. № 45. С. 129–138. https://elibrary.ru/xptylz
15. Алексеева Т. Е., Федосеева Л. Н. Англоязычные рекламные слоганы автопроизводителей: структурно-семантический анализ. Вестник ВГУ. Серия: Лингвистика и межкультурная коммуникация. 2022. № 1. С. 81–87. https://doi.org/10.17308/lic.2022.1/9002
16. Шлыков В. А., Гордеева О. А. Формирование контекстной рекламы на основе анализа сетевой активности пользователя. Труды международного симпозиума «Надежность и качество». 2020. Т. 1. С. 276–280. https://elibrary.ru/bzwhse
17. Шимохин А. В. Семантический анализ отзывов о поставщиках на основе применения нейросетевой технологии. Фундаментальные исследования. 2021. № 5. С. 117–121. https://doi.org/10.17513/fr.43048
18. Старов С. А., Гладких И. В., Муравский Д. В. Исследование бренд-ассоциаций для построения стратегических карт бренда. Маркетинг и маркетинговые исследования. 2019. № 2. С.116–130. https://elibrary.ru/piopuf
19. Grech G. Marketing mind maps in higher education. Symposia Melitensia, 2016, 12: 107–116.
20. Beel J., Langer S. An exploratory analysis of mind maps. DocEng'11: Proc. 11th ACM Symposium on Document Engineering, Mountain View, 19–22 Sep 2011. NY: ACM, 2011, 81–84. http://dx.doi.org/10.1145/2034691.2034709
21. Kedaj P., Pavlicek J., Hanzlik P. Effective mind maps in e-learning. Acta Informatica Pragensia, 2014, 3(3): 239–250. https://doi.org/10.18267/j.aip.51
22. Chen T.-Ju, Mohanty R. R., Hoffmann Rodriguez M. A., Krishnamurthy V. R. Collaborative mind-mapping: A study of patterns, strategies, and evolution of maps created by peer-pairs. ASME 2019 International Design Engineering Technical Conferences and Computers and Information in Engineering Conference: Proc. 31st Intern. Conf. on Design Theory and Methodology, Anaheim, 18–21 Aug 2019. Anaheim: ASME, 2019. http://dx.doi.org/10.1115/DETC2019-98125
23. Koznov D., Larchik E., Pliskin M., Artamonov N. Mind maps merging in collaborative work. Programming and Computer Software, 2011, 37, 315–321. https://doi.org/10.1134/S036176881106003X
24. Lindholm T. A 3-way merging algorithm for synchronizing ordered trees – the "3DM" merging and differencing tool for XML. Helsinki: Helsinki University of Technology, 2001, 128.
25. Jamieson P., Eaton J. Towards a better graphlet-based mind map metric for automating student feedback. Innovative Use of Technology II: Proc. 122nd ASEE Annual Conf. & Exposition, Seattle, 14–17 Jun 2015. Seattle: American Society for Engineering Education, 2015. https://doi.org/10.18260/p.24924
26. Zhang Z., Gentile A., Ciravegna F. Recent advances in methods of lexical semantic relatedness – a survey. Natural Language Engineering, 2013, 19(4): 411–479. http://doi.org/10.1017/S1351324912000125
27. Бермудес С. Х. Г. Метод измерения семантического сходства текстовых документов. Известия ЮФУ. Технические науки. 2017. № 3. С. 17–29. https://elibrary.ru/zdhxjr
28. Shalaby W., Zadrozny W. Mined semantic analysis: A new concept space model for semantic representation of textual data. 2017 IEEE: Proc. Intern. Conf. on Big Data (Big Data), Boston, 11–14 Dec 2017. Boston: IEEE, 2017, 2122–2131. https://doi.org/10.1109/BigData.2017.8258160
29. Soleimandarabi M. N., Mirroshandel S. A., Sadr H. A survey of semantic relatedness measures. International journal of Computer Science & Network Solutions, 2015, 3(2). http://dx.doi.org/10.13140/RG.2.2.17358.69449
30. Baroni M., Dinu G., Kruszewski G. Don’t count, predict! A systematic comparison of context-counting vs. context-predicting semantic vectors. ACL 2014: Proc. 52nd Annual Meeting of the Association for Computational Linguistics, Baltimore, 23–25 Jun 2014. Kerrville: ACL, 2014, vol. 1: 238–247. https://doi.org/10.3115/v1/P14-1023
31. Landauer T. K., Laham D., Rehder B., Schreiner M. E. How well can passage meaning be derived without using word order? A comparison of latent semantic analysis and humans. Proceedings of the 19th Annual Meeting of the Cognitive Science Society. Boulder: University of Colorado Boulder, 1997, 412–417.
32. Blei D. M., Ng A. Y., Jordan M. I. Latent dirichlet allocation. Journal of Machine Learning Research, 2003, 3: 993–1022.
33. Collobert R., Weston J. A Unified architecture for natural language processing: Deep neural networks with multitask learning. ICML'08: Proc. 25th Intern. Conf. on Machine Learning. NY: ACM, 2008, 160–167. https://doi.org/10.1145/1390156.1390177
34. Mikolov T., Chen K., Corrado G., Dean J. Efficient estimation of word representations in vector space. Proceeding of Workshop at International Conference on Learning Representations, 2013. https://doi.org/10.48550/arXiv.1301.3781
35. Pennington J., Socher R., Manning C. GloVe: Global vectors for word representation. EMNLP 2014: Proc. of the 2014 Conf. on Empirical Methods in Natural Language Processing, Doha, 25–29 Oct 2014. Kerrville: ACL, 1532–1543. https://doi.org/10.3115/v1/D14-1162
36. WordNet: An electronic lexical database, ed. Fellbaum Ch. Cambridge: MIT Press, 1998, 422. https://doi.org/10.7551/mitpress/7287.001.0001
37. Gabrilovich E., Markovitch S. Computing semantic relatedness using Wikipedia-based explicit semantic analysis. IJCAI-07: Proc. Twentieth Intern. Joint Conference on Artificial Intelligence, Hyderabad, 6–12 Jan 2007. Menlo Park: AAAI Press, 2007, vol. 6: 1606–1611.
38. Hassan S., Mihalcea R. Semantic relatedness using salient semantic analysis. AAAI Technical Track: Natural Language Processing: Proc. Twenty-Fifth AAAI Conf. on Artificial Intelligence, San Francisco, 7 – 11 Aug 2011. Palo Alto: AAAI Press, 2011, 25(1): 884–889. https://doi.org/10.1609/aaai.v25i1.7971
39. Camacho-Collados J., Pilehva M. T., Navigli R. NASARI: A novel approach to a semantically-aware representation of items. NAACL-HLT 2015: Proc. 2015 Conf. of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Denver, 31 May–5 Jun 2015. Kerrville: ACL, 2015, 567–577. http://dx.doi.org/10.3115/v1/N15-1059
40. Li P., Wang H., Zhu K. Q., Wang Z., Wu X. Computing term similarity by large probabilistic is a knowledge. CIKM’13: Proc. 22nd ACM Intern. Conf. on Information & Knowledge Management, San Francisco, 27 Oct–1 Nov 2013. NY: ACM, 2013, 1401–1410. https://doi.org/10.1145/2505515.2505567
41. Kim D., Wang H., Oh A. Context-dependent conceptualization. IJCAI’13: Proc. Twenty-Third Intern. Joint Conf. on Artificial Intelligence, Beijing, 3–9 Aug 2013. Menlo Park: AAAI Press, 2013, 2654–2661.
42. Song Y., Roth D. On dataless hierarchical text classification. Main Track: NLP and Machine Learning: Proc. Twenty-Eighth AAAI Conf. on Artificial Intelligence, Québec, 27–31 Jul 2014. Palo Alto: AAAI Press, 2014, 28(1): 1579–1585. https://doi.org/10.1609/aaai.v28i1.8938
43. Egozi O., Markovitch S, Gabrilovich E. Concept-based information retrieval using explicit semantic analysis. ACM Transactions on Information Systems, 2011, 29(2). https://doi.org/10.1145/1961209.1961211
44. Wang Z., Zhao K., Wang H., Meng X., Wen Ji-R. Query understanding through knowledge-based conceptualization. IJCAI’15: Proc. 24th Intern. Conf. on Artificial Intelligence, Buenos Aires, 25–31 Jul 2015. Palo Alto: AAAI Press, 2015, 3264–3270.
45. Hua W., Wang Z., Wang H., Zheng K., Zhou X. Short text understanding through lexical-semantic analysis. ICDE 2015: 31st Intern. Conf. on Data Engineering, Seoul, 13–17 Apr 2015. NY: IEEE, 2015, 495–506. https://doi.org/10.1109/ICDE.2015.7113309
46. Deerwester S. C., Dumais S. T., Landauer T. K. , Furnas G. W., Harshman R. A. Indexing by Latent Semantic Analysis. JASIST, 1990, 41(6): 391–407. https://doi.org/10.1002/(SICI)1097-4571(199009)41:6<391::AID-ASI1>3.0.CO;2-9
47. Hughes T., Ramage D. Lexical semantic relatedness with random graph walks. EMNLP-CoNLL 2007: Proc. 2007 Joint Conf. on Empirical Methods in Natural Language Processing and Computational Natural Language Learning, Prague, 28–30 Jun 2007. Kerrville: ACL, 2007, 581–589.
48. Yang D., Yin Y. Evaluation of taxonomic and neural embedding methods for calculating semantic similarity. Natural Language Engineering, 2022, 28(6): 733–761. https://doi.org/10.1017/S1351324921000279
49. Кохов В. А., Ибрахим А. Р., Кохов В. В. Система моделей для анализа сходства графов с учетом расположения цепей. Вестник Московского энергетического института, 2009. № 5. С. 5–13. https://elibrary.ru/kxnbur
50. Погребной А. В. Метод определения сходства структур графов на основе выделения частичного изоморфизма в задачах геоинформатики. Известия Томского политехнического университета. Инжиниринг георесурсов. 2015. Т. 326. № 11. С. 56–66. https://elibrary.ru/vqwbxv
51. Labriji A., Charkaoui S., Abdelbaki I., Namir A., Labriji E. H. Similarity measure of graphs. International Journal of Recent Contributions from Engineering, Science & IT, 2017, 5(2): 42–56. https://doi.org/10.3991/ijes.v5i2.7251
52. Mа G., Ahmed N. K., Willke T. L., Yu Ph. S. Deep graph similarity learning: A survey. Data Mining and Knowledge Discovery, 2021, 35, 688–725. https://doi.org/10.1007/s10618-020-00733-5
