Λογότυπο αποθετηρίου

Πλοήγηση ανά Συγγραφέα "Fotou, Konstantina-Maria"

A B C D E F G H I J K L M N O P Q R S T U V W X Y Z
Α Β Γ Δ Ε Ζ Η Θ Ι Κ Λ Μ Ν Ξ Ο Π Ρ Σ Τ Υ Φ Χ Ψ Ω
Φιλτράρετε τα αποτελέσματα πληκτρολογώντας τα πρώτα γράμματα
Τώρα δείχνει 1 - 1 από 1
  • Μικρογραφία εικόνας
    Τεκμήριο
    Performance prediction on Instagram: a comprehensive approach combining visual and caption-based features
    (2024-10-09) Φώτου, Κωνσταντίνα-Μαρία; Fotou, Konstantina-Maria; Athens University of Economics and Business, Department of Marketing and Communication; Baltas, George; Saridakis, Charalampos (Babis); Lappas, Theodoros
    Υπόβαθρο: Η αυξανόμενη δημοτικότητα του Instagram καθιστά αναγκαία την κατανόηση των παραγόντων που επηρεάζουν την απόδοση των αναρτήσεων. Σε αντίθεση με άλλες μελέτες που επικεντρώνονται σε βασικά χαρακτηριστικά όπως τα likes και τα σχόλια, αυτή η έρευνα εξετάζει συνδυαστικά αυτά τα χαρακτηριστικά μαζί με οπτικά στοιχεία, όπως η παρουσία προσώπου σε μια εικόνα ή βίντεο. Επιπλέον, ενώ η παραδοσιακή βιβλιογραφία συνήθως χρησιμοποιεί μοντέλα παλινδρόμησης για να εκτιμήσει την απόδοση, αυτή η μελέτη αντιμετωπίζει το πρόβλημα ως μια δυαδική ταξινόμηση, προβλέποντας αν μια ανάρτηση στο Instagram θα είναι "δημοφιλής" ή "μη δημοφιλής".Σκοπός: Στόχος αυτής της διπλωματικής είναι η πρόβλεψη της δημοφιλίας των αναρτήσεων στο Instagram, αξιοποιώντας μεταδεδομένα όπως το κείμενο, τα hashtags, τα likes και τα σχόλια, καθώς και το οπτικό περιεχόμενο μιας ανάρτησης. Η έρευνα επικεντρώνεται στις αναρτήσεις της εταιρείας καλλυντικών "Rare Beauty".Μέθοδοι: Το σύνολο των δεδομένων που χρησιμοποιήθηκε στην έρευνα αποτελείται από 640 αναρτήσεις στο Instagram, οι οποίες συλλέχθηκαν από τον λογαριασμό της εταιρείας "Rare Beauty". Για την πρόβλεψη της δημοφιλίας, χρησιμοποιήθηκαν αλγόριθμοι μηχανικής μάθησης, όπως το Random Forest και το Gradient Boosting. Κατά την διαδικασία ανάλυσης των δεδομένων, δημιουργήθηκαν νέες μεταβλητές, όπως το συναίσθημα που δημιουργεί το κειμένου μιας ανάρτησης καθώς και η παρουσία προσώπων στις εικόνες και τα βίντεο, με τη χρήση προχωρημένων μοντέλων όπως το VGG16 και το MTCNN.Αποτελέσματα: Το Gradient Boosting αποδείχθηκε το πιο αποτελεσματικό μοντέλο με ακρίβεια περίπου 80%, επιδεικνύοντας ικανότητα στην πρόβλεψη της δημοφιλίας των αναρτήσεων. Το Random Forest πέτυχε ακρίβεια 75%, ενώ η Λογιστική Παλινδρόμηση είχε αρκετά χαμηλότερη ακρίβεια στο 55%, λόγω της έλλειψης γραμμικών σχέσεων μεταξύ των μεταβλητών. Κύριες μεταβλητές της μελέτης, όπως ο αριθμός των προβολών και το μήκος του κειμένου της λεζάντας, συνέβαλαν σημαντικά στην ακρίβεια του μοντέλου.Συμπεράσματα: Η μελέτη καταλήγει στο συμπέρασμα ότι ο συνδυασμός μεταδεδομένων και οπτικού περιεχομένου μπορεί να προβλέψει επιτυχώς τη δημοφιλία των αναρτήσεων στο Instagram. Το μοντέλο Gradient Boosting αποδείχθηκε το πιο ισχυρό εργαλείο πρόβλεψης, ξεπερνώντας άλλους αλγορίθμους μηχανικής μάθησης.