基于深度学习的社交媒体广告中视觉元素与用户互动及品牌认知的定量研究

《Scientific Reports》：A quantitative study on user interaction and brand perception of visual elements in social media advertising driven by deep learning

　　

摘要

本文聚焦社交媒体广告的情感分析领域，具体研究视觉设计元素——如颜色饱和度、布局复杂度以及图像类型——对用户参与度指标和品牌感知指标的定量影响。该领域目前存在的挑战包括视觉特征量化不足、多模态数据融合不完善，以及缺乏多目标协同优化机制。传统方法难以同时满足情感分析精度、提升用户参与度以及改善品牌感知的需求。为解决这一问题，我们提出了VS-EmoNet（视觉-情感网络）——一种整合了量化视觉设计元素的深度学习模型。通过优化的视觉特征提取、多模态注意力融合以及多目标优化机制，VS-EmoNet实现了情感分析与用户行为及品牌感知之间的协同优化。实验结果表明，在微信、抖音和小红书这三个主流平台的数据集上，该模型的平均情感分析准确率可达92.5%。在视觉元素变化幅度为±30%的高波动场景下，用户点击率提升了34.8%，品牌认知度提升了28.2%，多目标超体积指标为0.352（归一化到[0,1]区间），表明其能够实现高质量的帕累托前沿逼近。这一结果有效地量化了核心视觉元素的影响权重，为社交媒体广告设计提供了数据驱动的支持。