網站數據分析（10）——內容運營分析模型

內容運營是指基於內容的策劃、編輯、發佈、優化、營銷等一系列工做，主要集中在互聯網、媒體等之內容爲主的行業領域。內容運營根據內容生產方式的不一樣可分爲UGC、PGC和OGC三種。

（1）UGC（User-generated Content），用戶生產內容。這是論壇、貼吧、微博時代的主要內容生產方式，內容主要由參與內容載體的用戶產生，運營方自己不產生任何實質性內容。這些用戶通常都是非專業「寫手」，一般基於興趣、愛好等共同語言而自發造成內容。

（2）PGC（Professionally-generated Content），專業生產內容。PGC相比UGC，都是由用戶產生內容，可是這裏的用戶主要指的是有專業背景、資歷的用戶，包括行業領袖、知識專家、書籍做者等，這些人一般能產生很是高質量的專業內容。如今不少知識性網站都是此類形式，例如知乎、我的微信公衆號等。

（3）OGC（Occupationally-generated Content），職業生產內容。OGC相比PGC在內容專業度上至關，可是OGC的特色是將內容生產做爲一門「職業」，所以相對應的從內容生產中獲取收入是這一類型的顯著性 特徵。OGC的廣泛表明是各個新聞類網站和媒體，通常都以付費投稿、 分紅等方式吸引高質量的「寫手」參與內容生產；固然，除了邀請外部專家參與內容生產，這類網站自身也擁有不少職業內容生產者。

本節的數據化運營分析模型主要涉及情感分析模型、搜索優化模型、文章關鍵字模型、主題模型、垃圾信息檢測模型。

1、情感分析模型

情感分析是對情感傾向的分析，用於分析特定對象對相關屬性的觀點、態度、情緒、立場以及其餘主觀感情的技術，分析結果一般屬於正向、中性或負向的一種。

情感分析的應用場景：

• 競爭情報：獲取用戶觀點中關於競爭對手的特定信息。
• 輿情監測：得到有關自身網站、內容、產品、服務、品牌、形象等相關信息的監控和預測，以得到有較強影響力、傾向性的言論和觀點的現狀及將來趨勢。
• 客戶傾向分析：客戶對於企業的傾向是積極仍是消極的分析，利於創建全面的客戶與企業形象認知。
• 話題監督：監督特定話題下，全部用戶的話題集中點、主要內容、話題演變等。
• 口碑分析：用戶對於企業各方面的感知和認識，尤爲對於具備良好傳播效應的意見領袖的口碑把控。

情感分析經常使用方法：除了非負矩陣分解、基於遺傳算法的情感分析以外，使用的最多的仍是監督學習算法，例如樸素貝葉斯、K近鄰和支持向量機等。使用分類方法下作情感分析的基本思路是：

• 步驟1：文本預處理，包括去除無效標籤、編碼轉換、文檔切分、基本糾錯、去除空白、大小寫統1、去標點符號、去停用詞、保留特殊字符等。
• 步驟2：文本分詞，在中文環境下須要特定的分詞模型。
• 步驟3：文本向量化，將文本特徵轉化爲向量空間模型來標示。
• 步驟4：特徵提取，對於海量稀疏特徵作特徵提取，包括特徵選擇和數據絳維等方法。
• 步驟5：分類建模和效果評估，選擇特定的分類模型，創建模型並作效果評估和結論分析。

2、搜索優化模型

用戶在某些文本之間可能存在頻繁的關聯查閱關係，而這些關鍵字之間會蘊藏用戶的潛在乎圖。例如，當用戶在搜索引擎搜索「熱度分析」一詞時，相關的搜索詞可能包括:空間熱度分析、關鍵詞熱度分析、音頻熱度分析、熱詞分析、關鍵詞熱度分析十法、關鍵詞熱度分析、網絡遊戲熱度排行榜等。

搜索優化模型能夠幫助用戶更快找到有興趣的潛在內容，可用於搜索過程當中的聯想功能、相關的結果提示和二次搜索建議。

經常使用的搜索優化模型的方法是關聯模型，例如Apriori、FP-growth 等

3、文章關鍵字模型

關鍵字提取是從文本中提取跟內容最相關的詞語，關鍵字抽取的結果經常使用於文檔檢索、文章標籤編輯等，也常常用在文本聚類、文本分類、關鍵字摘要等方面。

關鍵字模型能生成簡短的關於文檔內容的指示性信息，將文檔的主要內容或核心關鍵字呈現給用戶，以決定是否要閱讀文檔的原文，這樣可以節省大量的瀏覽時間並提升信息關鍵信息的展現能力。

文章關鍵字模型抽取應用場景：帖子、新聞、資訊、評論、問答等 的標籤、內容和meta信息的產生。

文章關鍵字模型抽取經常使用方法：經過詞頻統計、TF-IDF模型得到文本的主要關鍵字。

4、主題模型

主題模型（Topic Model），是提煉出文字中隱含主題的一種建模方法。在統計學中，主題就是詞彙表或特定詞語的詞語機率分佈模型，它是文字（文章、話語、句子）所表達的中心思想或核心概念。例如，當提到IBM時，可能咱們會想到ThinkPad；提到比爾蓋茨，咱們就會想到 Windows。IBM和ThinkPad、比爾蓋茨和Windows就是各自主題裏面相關的概念。

主題模型是一個可以挖掘語言背後隱含信息的利器，是語義挖掘、天然語言理解、文本解析和文本分析、信息檢索的重要組成部分。

• 它能夠衡量文檔之間的語義類似性，是文本聚類、分類、情感分析、文檔類似度等應用的重要組成部分。
• 它能夠解決多義詞的問題，實現準確的詞性標註。
• 它能夠排除文本中噪音，從中準確的提煉出主題關鍵字。

主題模型克服了傳統信息檢索中文檔類似度計算方法的缺點，可以在海量數據中自動尋找出文字間的語義主題。主題模型能夠應用到圍繞 主題產生的應用場景中，例如搜索引擎領域、情感分析、輿情監控、個性化推薦、社交分析等。主題模型的獲得的結果，能夠在去停用詞以後，配合標籤雲等形式作進一步的形象展現。

經常使用的主題模型包括：

• 潛在狄利克雷分配模型（Latent Dirichlet Allocation，LDA）。
• 機率潛在語義分析（ProbabilisticLatent Semantic Analysis，pLSA）。
• 其餘基於LDA的衍生模型，如Twitter LDA，TimeUserLDA， ATM，Labeled-LDA，MaxEnt-LDA等。

5、垃圾信息檢測模型

垃圾信息檢測模型是一種分類應用，主要用於檢測特定對象是否包含垃圾信息，是網站內容管理的重要方式和途徑。

常見的垃圾信息檢測應用包括：

• 從電子郵件中過濾垃圾郵件。
• 從站內信中過濾含有惡意信息的信息。
• 從評論或留言中過濾過激言論。
• 從用戶發佈的文章中識別負面題材。

垃圾信息檢測模型能夠將於分類模型來實現，經常使用方法：樸素貝葉斯、矩陣變換法、K近鄰、支持向量機、神經網絡等。

除了基於有標籤的訓練集作監督式學習外，還可使用非監督式的方法作垃圾信息監測，例如：

• 基於內容類似度，分析新評論與已有的垃圾信息的內容類似度，若是類似度高於必定閾值，則認定爲垃圾內容。固然，這樣作的前提是有一份相對完整的垃圾信息的集合，而且須要不斷維護。
• 基於固定信息的過濾，例如固定IP、包含特定關鍵字、包含 URL、來源於特定域等，這些就不屬於算法類應用了。

除了針對文本垃圾信息檢測外，還可包括更多類型的內容形式，例 如視頻、圖片、語音等。