當(dāng)然，訣竅是為特定品牌尋找合適的“大使”。在一篇論文里，哥倫比亞大學(xué)的研究人員描述了一個(gè)可以預(yù)測(cè)頂級(jí)社交媒體用戶和公司之間合作伙伴關(guān)系的人工智能系統(tǒng)。他們寫道：“對(duì)于小品牌來(lái)說(shuō)，找到合適的‘影響者’并不容易，比如一個(gè)與他們的企業(yè)形象保持一致、并且可以負(fù)擔(dān)的起的人，所以我們希望利用現(xiàn)代機(jī)器學(xué)習(xí)技術(shù)的力量和靈活性，開發(fā)一個(gè)品牌和‘影響者’的匹配系統(tǒng)。”

論文的作者選擇關(guān)注Instagram上的“影響者”。研究人員為“影響者”和目標(biāo)品牌特征構(gòu)建了一個(gè)內(nèi)容分析工具，并且使用了一個(gè)開源的Python工具從所有媒體上下載用戶數(shù)據(jù)，這些用戶數(shù)據(jù)包括上傳到用戶賬戶的相關(guān)的標(biāo)題和主題標(biāo)簽。

為了實(shí)驗(yàn)，論文的作者從品牌特征和20個(gè)用戶帳戶中抽取了五個(gè)主題：狗、貓、山、汽車和披薩。他們?cè)诠雀璧拈_源TensorFlow框架中應(yīng)用了在ImageNet數(shù)據(jù)庫(kù)上訓(xùn)練的圖像分類算法(Inception-v3)，該框架會(huì)為每個(gè)圖像輸出一個(gè)列表，列舉了最有可能的五個(gè)標(biāo)簽。

接下來(lái)，用三個(gè)最有可能的標(biāo)簽組裝成每個(gè)用戶的字符串，然后，為單詞單獨(dú)分配數(shù)值，表示它們?cè)诮o定特征中出現(xiàn)的頻率。最后，將“影響者”和目標(biāo)品牌數(shù)據(jù)都輸入到一個(gè)模型之中，該模型會(huì)給出匹配建議。

在測(cè)試中，該人工智能系統(tǒng)表現(xiàn)良好。對(duì)于在同一個(gè)垂直市場(chǎng)競(jìng)爭(zhēng)的兩家目標(biāo)公司，達(dá)美樂(lè)披薩和佐丹奴披薩，它推薦了幾個(gè)相同的Instagram “影響者”，但是順序不同，表現(xiàn)出在匹配中具有一定程度的細(xì)微差別。對(duì)于每個(gè)目標(biāo)品牌，它都成功地標(biāo)出了這個(gè)類別的頂級(jí)“影響者”。

研究人員提醒說(shuō)，該人工智能系統(tǒng)的性能尚未在“不太明顯”的類別上進(jìn)行測(cè)試，并且其預(yù)測(cè)依賴于圖像分類算法的準(zhǔn)確標(biāo)記。他們還表示，可以使用自定義參數(shù)和其他Instagram個(gè)人資料元數(shù)據(jù)來(lái)改進(jìn)算法預(yù)測(cè)的質(zhì)量，例如關(guān)注者的數(shù)量、每個(gè)帖子的平均喜歡數(shù)量等等。

然而，他們認(rèn)為這是邁向“影響者”自動(dòng)化發(fā)現(xiàn)系統(tǒng)的第一步，一旦成功，將可以節(jié)省企業(yè)的時(shí)間、金錢并可以省去一大堆令人頭痛的問(wèn)題。

他們寫道：“結(jié)果表明，我們的算法在得到了各種潛在的‘影響者’特征后，能夠識(shí)別出與特定目標(biāo)品牌結(jié)合最緊密的那些人，如果利用了社交媒體上存在的大量數(shù)據(jù)，就可以用于促進(jìn)品牌和‘影響者’的匹配。這不僅可以幫助公司找到符合其品牌形象的內(nèi)容創(chuàng)作者，還可以為小型創(chuàng)作者提供機(jī)會(huì)，讓他們通過(guò)發(fā)帖掙錢，進(jìn)一步鼓勵(lì)他們?cè)谖磥?lái)創(chuàng)造高質(zhì)量的內(nèi)容。”