分享一种微博营销热度预估模型方法与流程。

进一步的，所述模型资源数据库包括模型库、微博营销项目资源库、微博营销项目因子数据库，所述微博营销项目因子库是微博营销项目资源库中关于各个因子的细化资源数据库；所述微博营销项目资源库、微博营销项目因子数据库构成了模型库。

进一步的，所述微博营销项目包括微博话题设计，所述微博营销项目因子数据库包括明星微博资源库，品牌微博资源库；所述明星为参与该项目营销推广的明星，所述品牌为明星参与项目中所涉及的广告品牌。

进一步的，所述微博营销项目资源库包括项目ID号、微博营销项目名称、项目阅读量、品牌广告主、品牌所属行业、参与该品牌宣传的明星；所述的项目名称为话题设计微博营销方式，所述项目阅读量为话题阅读量。

进一步的，所述的明星微博资源库包括明星ID号、明星名称、性别、明星微博粉丝数、明星微博平均转发量、明星微博平均评论量、明星微博平均点赞数。

进一步的，所述的品牌微博资源库包括品牌ID号、品牌名称、品牌所属行业、品牌微博粉丝数、品牌微博平均转发量、品牌微博平均评论量、品牌微博平均点赞数。

进一步的，所述步骤二计算模型方程式各个因子的方法包括以下过程：

建立权利要求1步骤一所述的模型库；

将模型库数据倒入相关统计软件，由该统计软件根据倒入的数据以及制定的多元回归分析法自动计算出建立预测模型方程式中的常数和各个因子系数。

进一步的，包括以下过程：

打开数据统计软件SPSS；

从该软件的导入接口导入该模型数据库EXCEL表；

输入该模型数据库EXCEL表的因变量数据项名称；

输入该模型数据库EXCEL表中的各个自变量数据项名称；

通过数据统计软件SPSS和指定的多元线性回归分析方法以及导入的自变量和因变量，自动计算出该模型常数、各个因子系数。

进一步的，所述步骤三建立微博营销预测模型方程式的具体过程如下：

建立多元线性回归方程；

将模型库的因变量数据项名称作为方程的因变量；

将模型库的因子数据项名称作为方程的各个自变量；

将线性统计软件计算出的常数和对应各个因子的系数填入到方程中；

进一步的，所述步骤四应用模型预测未来微博营销项目，具体过程如下：

已知客户品牌和参与该品牌广告合作的明星的信息；

到对应的资源库中匹配对应的数据；

随后将匹配到的数据代入预测方程式右侧的各个自变量中；

根据方程式右侧的各个已知数求得方程式左侧的Y；所述的Y即为预估的话题阅读量；所述的方程右侧已知数包括常数、已知因变量名称、已知因变量系数。

综上所述，本发明具有以下有益效果：

1、本发明采用多元线性回归的数学模型进行微博营销项目热度预估，相比现有技术中存在的较多的人为不可控因素、准确性不高、或无法衡量、或更多需要通过行业专家团队对历史经验数据进行分析进而进行预判的情况，其技术效果产生了“质”的变化，提供了一种具有“自动化”和“高精度”特性的科学预测方法。

2、本发明以微博平台各指数作为一级多因子指数，还以微博平台各个指数作为一级多因子指数的二级裂变指数，通过两级裂变式多因子设定方法代替传统的单凭百度指数作为因变量影响因素的设定方法产生了“量”的变化；不仅如此，还由于本发明的因变量指数和多因子指数均来自同一个微博平台的不同指数，用同一个平台衡量因变量和自变量的关系，相比现有技术采用不同平台指数作为衡量因变量和自变量的关系的方法（采用收视率作为电视剧热度的评分标准，而采用百度指数作为影响收视率因素的评分标准），其技术效果再一次产生了“质”的变化，具有“多维度、相关性强”这一新的性能产生了“质”的飞跃。

3、本发明通过建立微博项目预测模型方程、建立足够量的样本模型库，建立足够量的微博项目资源媒体库、建立足够量的微博项目因子媒体库，使得微博项目预测产业实现批量化生产，再一次产生了“量”的变化，超出人们预期的想象。这种“质”的或者“量”的变化，对所属技术领域的技术人员来说，事先无法预测或者推理出来，产生了预料不到的技术效果和显著的变化。

附图说明

图1为本发明微博营销热度预估模型库；

图2为本发明微博营销项目资源库；

图3为本发明品牌微博资源库；

图4为本发明明星微博资源库；

图5a为本发明将模型库EXCEL数据表倒入SPSS统计软件示意图；

图5b 为本发明在SPSS软件界面输入因变量和各个自变量（因子）示意图；

图5c为本发明采用SPSS统计软件生成预测模型方程因子系数示意图；

图6为本发明建立微博营销热度预测模型示意图。

具体实施方式

以下结合附图对本发明作进一步详细说明。

以下结合附图对本发明作进一步详细说明。

一、本发明的设计思想和设计原理

、作为网络广告代理商，除了要在网络综艺平等台上为广告主设置植入式广告以外，还要借助另外一块不可忽视的天地，那就是微博平台，所述该微博平台不是广告代理商自身的平台，而是品牌广告主的微博平台，例如雀巢是一个品牌，雀巢公司有自身的微博平台，一般称之为企业微博；

、微博的“话题设计”是一个能够展示产品的平台，广告代理商通过替品牌广告主在微博中设计话题，使得话题更加生动、吸引人、有趣味，从而达到营销品牌的目的。

、话题设计之前，广告代理商要对话题的阅读量进行预估，预估的准确性、科学性就决定于预测模型的准确程度。

、预估模型为线性回归模型等方式。虽然线性回归是个现有技术，但是，应用到微博热度技术领域，目前国内还是个空白。

、影响预估模型准确性有2个因素，其一、模型中的因子和因子的评估方法非常重要，所述的因子就是影响因变量的所有相关因素。因此，模型中的因子尽可能是多维的，能够包括所有影响因变量的因素；另外，因子的评估方法也非常重要，也就是要做到因变量和因子的相关性很强。为了保证相关性，本发明把因变量和因子的评估都采用微博平台指数去评估，这一点是本发明的创新点；另外，采用多因子二级裂变式因子设定方法也是本发明的创新，假如第一级因子是三个，第二级就是3*4个，12个因子，之所以产生裂变因子是因为单凭一个指数例如转发量，则不能体现该因子的热度，而只有把多个指数结合起来才能较好地对该因子进行热度的评估，其二，模型中的因子系数和常量这两类数据非常重要，当数据量越大的时候，计算出的因子系数越加稳定，因此，本发明设置了“微博营销模型资源数据库”，其数据源于页面爬虫技术，通过该技术，可以得到各行各业品牌在微博上的粉丝、评论、转发、点赞等，而这些数据，一般都在5位数以上微博营销方式，能够满足数据稳定的需要。

二、基于以上设计思想和设计原理，本发明提出一种微博营销热度预估模型方法，包括以下步骤：

步骤一、建立微博营销模型资源数据库；

步骤二、计算模型方程式中各因子系数和常数；

步骤三、建立微博营销预测模型方程式；

步骤四、应用模型预测未来微博营销项目；

所述步骤一的模型资源数据库为步骤二计算因子系数和常数提供数据源，所述步骤二的因子系数和常数为步骤三的预测模型方程式中的各个因子系数和常数，所述步骤三的预测模型用于步骤四预测某个未来的微博营销项目；所述的模型方程为线性回归方程；

其特征在于：

所述步骤一的模型资源数据库包括以每个微博营销项目为单位、对该项目因变量的预估评分和与该项目因变量对应的各个因子的预估评分；所述因变量的预估评分和因子的预估评分均来自同一个热度测量平台的不同指数；所述热度预测平台为微博平台；

所述步骤一的模型资源数据库为满足统计精度要求的数据量足够大的数据库；所述步骤二的因子为与因变量相关的2个以上的多个因子；

如图1所示，为模型资源数据库的模型库，如图2所示，为模型资源数据库的微博营销项目资源库，如图3、图4所示，为微博营销项目因子数据库。所述微博营销项目因子库是微博营销项目资源库中关于各个因子的细化资源数据库；所述微博营销项目资源库、微博营销项目因子数据库构成了模型库。

所述微博营销项目包括微博话题设计，所述微博营销项目因子数据库包括明星微博资源库如图4所示，品牌微博资源库如图3所示；所述明星为主持该项目的明星，所述品牌为明星主持项目中所涉及的广告品牌。

如图2所示，所述微博营销项目资源库包括项目ID号、微博营销项目名称、项目阅读量、品牌广告主、品牌所属行业、参与该品牌宣传的明星；所述的项目名称为话题设计，所述项目阅读量为话题阅读量。

如图4所示，所述的明星微博资源库包括明星ID号、明星名称、性别、明星微博粉丝数、明星微博平均转发量、明星微博平均评论量、明星微博平均点赞数。

如图3所示，所述的品牌微博资源库包括品牌ID号、品牌名称、品牌所属行业、品牌微博粉丝数、品牌微博平均转发量、品牌微博平均评论量、品牌微博平均点赞数。

所述步骤二计算模型方程式各个因子的方法包括以下过程：

建立权利要求1步骤一所述的模型库如图1所示；

将模型库数据倒入相关统计软件，由该统计软件根据倒入的数据自动计算出建立预测模型方程式中的常数和各个因子系数。具体过程如下：

如图5a所示，

打开线性回归统计软件；

从该软件的导入接口导入该模型数据库EXCEL表；

输入该模型数据库EXCEL表的因变量数据项名称；

如图5b所示，

输入该模型数据库EXCEL表中的各个自变量数据项名称；

如图5c所示（值得说明的是，由于图纸格式问题，为了清楚表达，因此将该图纸横向放置），

通过线性回归统计软件自动计算出该模型常数、各个因子系数。

如图6所示，所述步骤三建立微博营销预测模型方程式的具体过程如下：

建立多元线性回归方程；

将模型库的因变量数据项名称作为方程的因变量；