热点资讯▕ 知识分享▕ 专业解读
订阅NewMediaLab
广东省新媒体与品牌传播创新应用重点实验室
本文收录于：《新媒体与社会》
段淳林 吴中寰 强炜坤
【摘要】针对计算广告领域“理论解释”与“模型预测”长期割裂的问题，本文提出以“解释×预测”为核心的综合建模框架。基于使用与满足理论（UGT）和社会情绪视角，构建广告接触—情感反应—行为转化机制；方法上融合“理论驱动特征工程”与“数据驱动建模”，整合BERT-GMA等深度表征模型与CTR/CVR关键指标。研究将社会情绪从态度提升为可量化、可联立的中观机制，提出“基于情感时序动态的广告策略自适应理论模型”，形成“情感监测—指标诊断—策略调整—再预测”的闭环系统。实证表明，该框架兼具理论解释力与预测能力，为计算广告提供了跨学科范式。
【关键词】计算广告 综合建模框架 解释×预测 BERT-GMA 情感时序动态
一、研究背景与问题
过去二十年，互联网技术推动广告活动全面数字化，催生了“计算广告学”。该领域主要分为两个方向：一是广告学主导的理论解释（归因机制），强调因果关系与理论锚点；二是计算机科学主导的模型预测（大数据驱动），侧重算法精度与泛化性能。两者在认识论和方法论上存在显著差异：广告学追求可解释的因果推断，依赖实验设计与计量模型；而机器学习则聚焦预测误差最小化，常牺牲可解释性换取性能提升。
尽管深度学习在点击率（CTR）、转化率（CVR）预估中广泛应用，如LR、DNN、LSTM及BERT等模型显著提升了文本理解能力，但其“黑箱”特性限制了对广告传播机制的还原能力。与此同时，传统因果推理方法虽具理论深度，却难以适配海量、高维、非结构化的社交媒体数据，导致理论与实践脱节。
当前困境源于三方面：一是跨学科术语壁垒阻碍沟通；二是缺乏统一的研究框架整合多学科方法；三是实证分析与理论建模目标错位。为此，本文提出“解释×预测”综合建模框架，旨在弥合理论与数据之间的鸿沟，实现“由理论指导预测，由预测反哺理论”的双向增强循环。
二、综合的计算广告建模框架
现有研究可归纳为三个维度：描述性建模、理论解释与模型预测。本文在此基础上提出第四维度——综合建模，即在统一框架下融合因果机制识别与未来结果预测。
该框架包含四个核心模块：
1. 描述性建模：聚焦变量定义、数据采集与基础统计，揭示用户跨平台行为模式；
2. 理论解释：通过实验或计量方法识别广告影响消费者决策的因果路径；
3. 模型预测：利用监督学习进行“样本外”预测，支持个性化投放；
4. 综合建模：结合因果结构与数据驱动模型，使预测具备理论支撑，同时以预测结果验证并优化理论假设。
该框架借助Transformer架构中的自注意力机制处理长距离语义依赖，并引入因果约束提升模型可解释性与迁移能力，推动计算广告从静态归因迈向动态智能决策。
三、理论解释
（一）广告案例
本文选取华为2016年品牌宣传片《Dream It Possible》作为研究案例。影片讲述女孩追梦音乐的故事，传递科技创新与人文关怀双重价值，全球播放量超1亿次，获多项国际广告奖项，具有典型的社会化传播效应。
（二）基础理论解释
基于使用与满足理论（UGT），用户主动选择媒体内容以满足特定需求。研究表明，消费者参与广告动机可分为三类：
- 认知满足：获取品牌技术信息；
- 情感满足：获得希望、感动等情绪体验；
- 社会满足：引发群体归属与人际共鸣。
本研究将“认知—情感—社交”作为理解用户接触品牌短片的核心框架，为后续情感变量建模提供理论依据。
（三）基于情感时序动态的广告策略自适应理论模型
本文构建“基于情感时序动态的广告策略自适应理论模型”，形成四模块闭环：
1. 情境与广告输入：明确创意素材、投放节奏、目标人群与平台环境；
2. 情绪监测与时序建模：利用BERT-GMA从评论中提取多维情绪向量，构建时间序列，实现社会情绪的操作化测量；
3. 情绪—指标耦合与归因诊断：将情绪时序与CTR/CVR等绩效指标联立建模，识别“情绪拐点—指标波动”的稳定关系；
4. 策略自适应与在线优化：基于诊断结果动态调整创意版本、投放策略与落地页设计，并通过A/B测试验证效果。
该模型实现了“理论约束预测、预测反哺解释”的循环，为计算广告提供可迁移的“解释—预测—优化”一体化范式。
四、模型设计与实验分析
（一）模型框架
本研究构建双分支情感分类模型BERT-GMA，分别处理短文本（SemEval）与长文本（IMDB）：
- 短文本直接取BERT的[CLS]向量经全连接层输出分类结果；
- 长文本将BERT隐藏层输出送入Bi-GRU+Multi-Head Attention模块，捕捉远距离语义依赖。
BERT作为预训练语言模型，在文本分类、命名实体识别等任务中表现优异。本研究采用BERT-Base-Uncased，包含12层编码器、768维隐藏单元、12个注意力头，最大序列长度256。
（二）消融实验
在SemEval数据集上对比四种模型变体：
- BERT-Base
- BERT-BiGRU
- BERT-Attention
- BERT-GMA（完整模型）
结果显示，BERT-GMA在F1分数上较BERT-Base提升4.1%，较BERT-BiGRU提升2.3%，验证了Bi-GRU与多头注意力机制的有效性。混淆矩阵显示，模型对Joy、Anger、Disgust等类别识别准确率高，而Anticipation、Trust等类别存在误判现象，尤其Fear类别易被误识。
（三）应用案例分析
以《Dream It Possible》在Bilibili平台的传播为例，分两阶段抓取评论数据（2024年9月约0.9万条，2025年1月约1.6万条），结合CTR/CVR指标进行联立建模：
第一阶段（2024.09）：情绪结构呈“总体积极、局部尖刺”，Joy、Trust为主导，但围绕“收费机制”“封面设计”出现Anger与Disgust峰值。负向情绪与CTR阶段性下滑同步，提示认知障碍影响点击意愿。据此优化文案与视觉提示后，CTR趋于稳定。
第二阶段（2025.01）：情绪结构演化为“高情感/高社交、低认知缺口”，负面情绪减弱，但出现“高点击、低转化”现象。分析表明，前端情绪未有效传导至落地页，导致CVR受限。随后重构信息层级与行动路径，提升转化效率。
案例验证了“情感监测→指标诊断→策略调整→再监测”闭环的可行性与有效性。
五、研究结论与启示
（一）理论与实践贡献
本文提出“解释×预测”综合建模框架，实现三大突破：
1. 构建因果推理与数据驱动融合的计算广告新范式，形成“情感证据→KPI预测→策略外推”的业务闭环；
2. 在模型层面提出长短文本分治、多粒度融合、注意力与序列建模等优化策略，提升“情感→KPI”映射的分辨率；
3. 强化对样本偏置与分布漂移的应对能力，提升模型在冷启动与新话题下的稳定性与可迁移性。
（二）研究启示
理论层面：推动广告研究从“内容—态度”向“情绪—机制—效果”演进，将社会情绪转化为可量化、可检验的中观机制。
方法层面：提出“理论—特征—模型—策略”一体化路径，兼顾理论深度与预测精度，为跨学科实证研究提供范式参考。
实践层面：品牌可通过情绪时序识别“情绪窗口期”，动态优化投放节奏与创意策略，实现情感体验、用户参与与商业转化的协同提升。
（三）研究局限与伦理反思
模型依赖大规模算力，结构复杂、成本较高，制约多场景推广；数据局限于单一平台评论文本，未融合多模态信息，影响外推性。此外，当前实证基于相关性分析，尚未引入随机对照试验等严格因果识别设计，相关“因果推断”应视为机制探索而非精确估计。
在伦理层面，细粒度情绪建模可能加剧算法操控、信息茧房与过度定向风险。未来需将隐私保护、算法透明度与创意多样性纳入模型设计，构建责任型计算广告体系。
段淳林，华南理工大学新闻与传播学院教授，博士生导师
吴中寰，华南理工大学工商管理学院博士研究生
强炜坤，华南理工大学新闻与传播学院博士研究生
段淳林 吴中寰 强炜坤｜文字
沈樱琪｜编辑
陈睿璇｜责任编辑
刘晓英｜初审
张庆园｜复审
谭志伟｜终审