Ứng dụng mạng nơ-ron trong hành vi tiêu dùng

Journal of Consumer Psychology - Tập 20 - Trang 381-389 - 2010
Richard Briesch1, Priyali Rajagopal1
1Cox School of Business, Southern Methodist University, USA

Tóm tắt

Tóm tắtBài báo này giới thiệu các khái niệm và thuật ngữ của mạng nơ-ron nhân tạo. Phương pháp này được minh họa trên dữ liệu đại diện cho một lĩnh vực quan tâm đối với nhà tâm lý học tiêu dùng. Mạng nơ-ron nhân tạo (ANNs) là các mô hình toán học phổ biến được sử dụng trong các ứng dụng kinh doanh để mô hình hóa mối quan hệ giữa các biến. Một trong những điểm mạnh chính của ANNs là tính linh hoạt của chúng, tức là khả năng dễ dàng thích ứng với các mối quan hệ tuyến tính và phi tuyến mà không cần phải xác định hình thức chức năng tiền giả thuyết. Chúng có thể được sử dụng để nghiên cứu những chủ đề hấp dẫn đối với các nhà tâm lý học tiêu dùng như sự thuyết phục, ảnh hưởng, phân khúc, v.v... và có thể mang lại những lợi thế rõ rệt so với các kỹ thuật thống kê truyền thống như ANOVA và hồi quy. Chúng tôi minh họa ứng dụng của ANNs trong ba lĩnh vực khác nhau: hồi quy, phân tích thành phần chính phi tuyến và phân loại.

Từ khóa

#mạng nơ-ron nhân tạo #hành vi tiêu dùng #hồi quy #phân tích thành phần chính #phân loại

Tài liệu tham khảo

10.1016/0378-4266(94)90007-8 10.1023/A:1020321132568 10.1016/S0167-8116(02)00080-0 Briesch Richard A. 1994 “A statistical test for the weights of a feed‐forward neural network” mimeo Northwestern University. 10.1198/016214502388618762 Briesch Richard, 1995, Marketing theory and applications, 177 10.1021/ci0341161 10.1037/0022-3514.37.1.97 10.1214/ss/1177010638 10.1108/03090569310040325 10.1080/10696679.1995.11501686 10.1162/neco.1992.4.1.1 10.1214/aos/1176345782 Gronhold Lars, 2005, Analysing customer satisfaction data: A comparison of regression and artificial neural networks, International Journal of Market Research, 47, 121, 10.1177/147078530504700201 Haykin Simon S., 2008, Neural networks and learning machines 10.1093/bioinformatics/17.2.126 Geoffrey E.Hinton.How neural networks learn from experience.Scientific American.1992 September;145–172. 10.1016/0893-6080(89)90020-8 10.1016/S0893-6080(00)00067-8 10.1016/j.jcps.2009.09.002 Joachims Thorsten, 2002, “Optimizing search engines using clickthrough data”, in proceedings of the ACM Conference on knowledge discovery and data mining (KDD) 10.1002/aic.690370209 10.1007/BF00996189 Le Cun Y., 1990, Advances in neural information processing systems, 598 10.1007/BF01589116 10.1109/72.655038 10.1016/S0304-3800(99)00113-1 10.1016/S1573-4412(05)80011-X 10.1175/1520-0442(2000)013<0821:NPCABN>2.0.CO;2 Morgan N., 1989, “Generalization and parameter estimation in feed forward nets: Some experiments,” Tech report TR‐89‐017 NoboruMurata ShujiYoshizawa Shun‐ichiAmari.Network information criterion — Determining the number of hidden units for an artificial neural network model.Working paper Department of Mathematical Engineering and Information Physics Faculty of Engineering University of Tokyo Bunkyo‐ku Tokyo 113 Japan.1992. Nevo Aviv, 2000, A practitioner's guide to estimation of random‐coefficients logit models of demand, Journal of Economics & Management Strategy, 9, 513 10.1162/neco.1992.4.4.473 Rajecki D.W., 1990, Attitudes Ripley B.D., 1994, Neural networks and related methods for classification, Journal of Royal Statistical Society B, 56, 409 Ripley B.D., 2004, Pattern recognition and neural networks 10.1016/S0305-0548(99)00141-0 Spiegelhalter D.J., 2002, Bayesian measures of model complexity and fit, Journal of Royal Statistical Society B, 64, 583, 10.1111/1467-9868.00353 Tam Kar Yan, 1992, Managerial applications of neural networks: The case of bank failure predictions, Management Science, 38, 026 10.1509/jmkr.37.4.499.18790 10.1016/S0014-5793(99)00524-4 10.1007/978-1-4757-2440-0 Weigend Andreas S., 1990, Proceedings of the 1990 Connectionist Models Summer School, 105 Weigend Andreas S., 1991, Advances in neural information processing systems, 875 10.1287/mksc.16.4.370 10.1162/neco.1989.1.4.425