使用机器学习在推特上量化客户情绪以分析汽车品牌认知

为什么社交媒体情绪对汽车制造商很重要

每天都有数百万人在社交媒体上谈论品牌，这些话往往比正式调查中更坦率。对于汽车公司来说，这些随意的帖子揭示了车主对车辆和服务的真实看法。本文探讨了如何将关于五个主要汽车品牌的推文转化为一个易读的单一分数，以显示公众情绪倾向于正面还是负面——以及这种情绪如何随时间变化。

从在线闲聊到可测量的情绪

研究人员出发点很简单：与其用缓慢且昂贵的调查问人，不如听取他们在网上已经在说的话。他们收集了近16000条提到 BMW、Mercedes-Benz、Porsche、Tesla 或 Toyota 的英文推文，仔细排除了品牌自身账号的发布，以便聚焦普通用户。借助专门在推文上训练的先进语言模型，每条信息被标注为正面或负面。中性、纯事实性的帖子被搁置，因为它们不能清楚地反映人们的情感。

用于品牌好感度的单一分数

在获得正面和负面推文后，团队构建了品牌极性分数（Brand Polarity Score，BPS）。该数值在 -1 到 +1 之间，比较一个品牌获得的赞誉数量与收到的抱怨数量。值大于零意味着赞美多于批评；低于零则表明品牌处于困境。在他们研究的那个月里，五家车企的分数均处于正值区域，保时捷和宝马位居前列，特斯拉的情绪最为混杂。不同于正面推文的原始计数，BPS 将赞扬和批评一起权衡，提供了更清晰的整体好感度画像。

跟踪情绪随时间的波动

公众意见很少沿着一条直线移动。一条病毒式的表扬、一则召回通告或一次重大产品发布，都会在几天内迅速影响情绪。为捕捉这些波动，作者逐日追踪每个车企的品牌极性分数。随后他们引入第二个指标——品牌极性位置指标（Brand Polarity Position Indicator，BPPI），其作用类似滚动平均：它累积过去几天的数据并平滑噪声。出现在每日分数中的尖峰在 BPPI 曲线中变为较为平缓的弯曲，突出显示更慢、更有意义的声誉变化，而非短暂的爆发性事件。

谁的声音更重要？

并非所有推文都同等重要。一条来自高关注账号的正面评论，或是一条广泛转发的抱怨，可能比一条无人互动的孤立留言影响更多人。为反映这一点，研究创建了影响力加权品牌极性分数（Influence-weighted Brand Polarity Score，IwBPS）。每条推文根据其获得的关注度和作者的显著性被赋予权重，并对推文与账号的年龄进行调整。研究人员还定义了该分数的累积版本 IwBPPI，以追踪有影响力声音的长期影响。这些指标突出了哪些品牌是被那些实际在平台上广泛传播的帖子推高或拖累的。

用数据检验这些数值

为了验证这些度量是否可靠，作者进行了多项真实性检验。他们将首选的推文模型与其他流行工具比较，发现在一个大型标注数据集上其准确性最高。他们展示了分数的突然跳变与实际新闻事件（如安全丑闻或新技术发布）相吻合。他们还将所选模型的结果与一家大型云服务商的商业系统进行对比，发现两者模式高度一致。最后，他们测试了分数对抽样偏差和随机错误的敏感性，表明即便在故意打乱部分标注时，日度和累积指标仍然保持稳定。

这对日常理解意味着什么

简而言之，这项研究表明，可以将混乱且快速变化的社交媒体讨论转化为一组清晰、可靠的数字，用于跟踪人们对汽车品牌的感受。基础分数说明对话总体上是乐观还是悲观，累积指标揭示长期的声誉趋势，而影响力加权版本显示重大变化是否由响亮、广泛传播的声音驱动。对非专业人士来说，结论是品牌无需再猜测线上舆论或等待数月的调查结果：通过使用现代语言工具细致解读公开推文，他们可以几乎实时地监测自身地位，并在小问题演变为持久损害之前采取应对措施。

引用: Mathew, S.S., Hayawi, K., Venugopal, N. et al. Quantifying customer sentiment for automobile brand perception analysis using machine learning on Twitter. Sci Rep 16, 5703 (2026). https://doi.org/10.1038/s41598-026-35637-9

关键词: 社交媒体情绪, 汽车品牌, 推特分析, 品牌声誉, 机器学习