基于aisas模型的研究论文

深度神经网络（DNNs）是 AI 领域的重要成果，但它的 “存在感” 已经不仅仅限于该领域。 一些前沿生物医学研究，也正被这一特别的概念所吸引。特别是计算神经科学家。 在以前所未有的任务性能彻底改变计算机视觉之后，相应的 DNNs 网络很快就被用以试着解释大脑信息处理的能力，并日益被用作灵长类动物大脑神经计算的建模框架。经过任务优化的深度神经网络，已经成为预测灵长类动物视觉皮层多个区域活动的最佳模型类型之一。 用神经网络模拟大脑或者试图让神经网络更像大脑正成为主流方向的当下，有研究小组却选择用神经生物学的方法重新审视计算机学界发明的DNNs。 而他们发现，诸如改变初始权重等情况就能改变网络的最终训练结果。这对使用单个网络来窥得生物神经信息处理机制的普遍做法提出了新的要求：如果没有将具有相同功能的深度神经网络具有的差异性纳入考虑的话，借助这类网络进行生物大脑运行机制建模将有可能出现一些随机的影响。要想尽量避免这种现象，从事 DNNs 研究的计算神经科学家，可能需要将他们的推论建立在多个网络实例组的基础上，即尝试去研究多个相同功能的神经网络的质心，以此克服随机影响。 而对于 AI 领域的研究者，团队也希望这种表征一致性的概念能帮助机器学习研究人员了解在不同任务性能水平下运行的深度神经网络之间的差异。 人工神经网络由被称为 “感知器”、相互连接的单元所建立，感知器则是生物神经元的简化数字模型。人工神经网络至少有两层感知器，一层用于输入层，另一层用于输出层。在输入和输出之间夹上一个或多个 “隐藏” 层，就得到了一个 “深层” 神经网络，这些层越多，网络越深。 深度神经网络可以通过训练来识别数据中的特征，就比如代表猫或狗图像的特征。训练包括使用一种算法来迭代地调整感知器之间的连接强度（权重系数），以便网络学会将给定的输入（图像的像素）与正确的标签（猫或狗）相关联。理想状况是，一旦经过训练，深度神经网络应该能够对它以前没有见过的同类型输入进行分类。 但在总体结构和功能上，深度神经网络还不能说是严格地模仿人类大脑，其中对神经元之间连接强度的调整反映了学习过程中的关联。 一些神经科学家常常指出深度神经网络与人脑相比存在的局限性：单个神经元处理信息的范围可能比 “失效” 的感知器更广，例如，深度神经网络经常依赖感知器之间被称为反向传播的通信方式，而这种通信方式似乎并不存在于人脑神经系统。 然而，计算神经科学家会持不同想法。有的时候，深度神经网络似乎是建模大脑的最佳选择。 例如，现有的计算机视觉系统已经受到我们所知的灵长类视觉系统的影响，尤其是在负责识别人、位置和事物的路径上，借鉴了一种被称为腹侧视觉流的机制。 对人类来说，腹侧神经通路从眼睛开始，然后进入丘脑的外侧膝状体，这是一种感觉信息的中继站。外侧膝状体连接到初级视觉皮层中称为 V1 的区域，在 V1 和 V4 的下游是区域 V2 和 V4，它们最终通向下颞叶皮层。非人类灵长类动物的大脑也有类似的结构（与之相应的背部视觉流是一条很大程度上独立的通道，用于处理看到运动和物体位置的信息）。 这里所体现的神经科学见解是，视觉信息处理的分层、分阶段推进的：早期阶段先处理视野中的低级特征（如边缘、轮廓、颜色和形状），而复杂的表征，如整个对象和面孔，将在之后由颞叶皮层接管。 如同人的大脑，每个 DNN 都有独特的连通性和表征特征，既然人的大脑会因为内部构造上的差异而导致有的人可能记忆力或者数学能力更强，那训练前初始设定不同的神经网络是否也会在训练过程中展现出性能上的不同呢？ 换句话说，功能相同，但起始条件不同的神经网络间究竟有没有差异呢？ 这个问题之所以关键，是因为它决定着科学家们应该在研究中怎样使用深度神经网络。 在之前 Nature 通讯发布的一篇论文中，由英国剑桥大学 MRC 认知及脑科学研究组、美国哥伦比亚大学 Zuckerman Institute 和荷兰拉德堡大学的 Donders 脑科学及认知与行为学研究中心的科学家组成的一支科研团队，正试图回答这个问题。论文题目为《Individual differences among deep neural network models》。 根据这篇论文，初始条件不同的深度神经网络，确实会随着训练进行而在表征上表现出越来越大的个体差异。 此前的研究主要是采用线性典范相关性分析（CCA，linear canonical correlation analysis）和 centered-kernel alignment（CKA）来比较神经网络间的内部网络表征差异。 这一次，该团队的研究采用的也是领域内常见的分析手法 —— 表征相似性分析（RSA，representational similarity analysis）。 该分析法源于神经科学的多变量分析方法，常被用于将计算模型生产的数据与真实的大脑数据进行比较，在原理上基于通过用 “双（或‘对’）” 反馈差异表示系统的内部刺激表征（Inner stimulus representation）的表征差异矩阵（RDMs，representational dissimilarity matrices），而所有双反馈组所组成的几何则能被用于表示高维刺激空间的几何排布。 两个系统如果在刺激表征上的特点相同（即表征差异矩阵的相似度高达一定数值），就被认为是拥有相似的系统表征。 表征差异矩阵的相似度计算在有不同维度和来源的源空间（source spaces）中进行，以避开定义 “系统间的映射网络”。本研究的在这方面上的一个特色就是，使用神经科学研究中常用的网络实例比较分析方法对网络间的表征相似度进行比较，这使得研究结果可被直接用于神经科学研究常用的模型。 最终，对比的结果显示，仅在起始随机种子上存在不同的神经网络间存在明显个体差异。 该结果在采用不同网络架构，不同训练集和距离测量的情况下都成立。团队分析认为，这种差异的程度与 “用不同输入训练神经网络” 所产生的差异相当。 如上图所示，研究团队通过计算对应 RDM 之间的所有成对距离，比较 all-CNN-C 在所有网络实例和层、上的表示几何。 再通过 MDS 将 a 中的数据点（每个点对应一个层和实例）投影到二维。各个网络实例的层通过灰色线连接。虽然早期的代表性几何图形高度相似，但随着网络深度的增加，个体差异逐渐显现。 在证明了深度神经网络存在的显著个体差异之后，团队继续探索了这些差异存在的解释。 随后，研究者再通过在训练和测试阶段使用 Bernoulli dropout 方法调查了网络正则化（network regularization）对结果能造成的影响，但发现正则化虽然能在一定程度上提升 “采用不同起始随机种子的网络之表征” 的一致性，但并不能修正这些网络间的个体差异。 最后，通过分析网络的训练轨迹与个体差异出现的过程并将这一过程可视化，团队在论文中表示，神经网络的性能与表征一致性间存在强负相关性，即网络间的个体差异会在训练过程中被加剧。 总而言之，这项研究主要调查了多个神经网络在最少的实验干预条件下是否存在个体差异，即在训练开始前为网络设置不同权重的随机种子，但保持其他条件一致，并以此拓展了此前与 “神经网络间相关性” 有关的研究。 除了这篇 这篇 研究以外，“深度学习三巨头” 之一、著名 AI 学者 Hinton 也有过与之相关的研究，论文名为《Similarity of Neural Network Representations Revisited》，文章探讨了测量深度神经网络表示相似性的问题，感兴趣的读者可以一并进行阅读。 Refrence： [1] [2]

AISAS模型叫做网民购物特征分析模型，是针对互联网上消费者的消费行为习惯研究出来的，注意attention，兴趣interest，搜索search，购买action，分享share。与之相对的还有一个AIDMA模型（消费者行为分析模型），主要是根据线下消费者的消费习惯研究出来的，关注attention，兴趣interest，渴望desire，记忆memory，购买action。产生原因：传播环境，消费者，消费心里等。与网络营销的关系：现在网络营销的一些手段和方法，都是基于AISAS模型拓展出来的，这是一个很科学的模型，是经过广泛的验证的。营销的最终目的是让消费者持续消费，线下与线上是两个不同的平台，必须采用合适的营销方式才能达到最佳的效果

1．目标相同作为现代市场营销理论的重要组成部分，网络营销和传统营销的目标都是通过发现需求并满足需求来实现销售，创造利润。2．活动范畴相同网络营销和传统营销的活动范畴都包括消费者需求调查、产品设计开发、产品定价、销售、促销、了解消费者的评价及反馈等，涵盖从产品研发到消费结束的全过程。3．围绕中心相同网络营销和传统营销都以消费者为中心，围绕消费者需求提供产品和服务，通过满足消费者的需求实现企业的赢利和发展。网络营销和传统营销都需要企业以满足消费者需求为中心，通过市场调查发现、唤醒、引导、激发消费者的真正需求，然后有针对性地去满足这些需求。网络营销是以互联网为基础展开的营销活动，它与传统营销的区别主要表现在以下几个方面。1．营销环境不同市场营销以工业经济为基础，而网络营销除了工业经济基础外，还有网络经济、网络技术和现代通信技术基础。网络营销以网络通信技术为基础，通过互联网和企业内部网络实现企业营销活动的信息化、自动化与全球化，消除了传统营销中时间和空间的限制。2．目标市场不同在传统市场营销活动中，目标市场的选择多是针对某一特定消费群体。网络营销的目标市场则更多的是个性需求者。企业通过网络收集大量信息，了解不同消费者的不同需求，从每一个消费者身上寻找商机，并针对每一个消费者制定相应的营销策略，为其提供个性化的产品或服务。3．营销策略不同网络营销是在虚拟环境下开展营销活动，顾客只能通过网络了解产品信息，无法直观感觉和试用，因此，在营销策略上，企业也必须根据虚拟环境要求，设计产品及产品展示，制定相应的营销策略。(1)产品策略在网络营销中，消费者不能触摸到产品的实体，企业利用多媒体技术将产品的外形、性能、特点、品质及为用户提供的服务展示出来。理论上讲，一般商品和服务都可以在网络上销售。目前，适于在网上销售的产品主要是比较直观和容易识别的产品，如电子产品、音像制品、书籍等。企业在开展网络营销时，必须结合网络特点，重新考虑产品的设计、开发、包装和品牌策略。(2)价格策略传统营销中制定产品价格重点考虑产品成本和企业目标利润。借助于互联网双向沟通技术，网络营销中企业采取双赢的定价策略对产品或服务进行定价。一方面充分考虑目标消费者的接受能力，另一方面利用互联网降低成本与费用，与消费者分享因成本降低带来的价值增值。(3)渠道策略传统营销的销售渠道策略取决于营销各主体间的空间距离及交通条件，产品销售采取库存和中间环节（分销商）的迂回模式来实现。网络营销主体利用互联网与顾客直接沟通，实现直销，借助于第三方物流减少对库存和中间环节的依赖，降低流通费用和交易费用；无形产品则可以直接通过网络进行配送。(4)促销策略传统营销运用广告、人员推销、公共关系、销售促进等各种促销手段。在网络营销中，人员推销作为直销的手段难以采用，网络广告是网上促销的主要手段，并且促销内涵和实现方式更为丰富。促销的实质是信息沟通，网络营销使传统的单向信息沟通转变为交互式信息沟通，提高了消费者的参与度和积极性。4．沟通方式不同传统营销中交易双方往往以直接面对面的方式接洽。网络营销中交易双方通过网站、E-mail、BBS等进行信息交互沟通。影资料链接网络经济下的消费者行为模式比较在网络经济下，作为媒体的互联网逐渐成为企业营销推广的重要工具。首先，从用户的角度看，互联网尤其是上网搜索改变了用户的消费行为模式。根据中国互联网络信息中心调查显示，有77%的互联网用户在购买产品前会上网搜索信息。根据图中的AISAS模型，搜索作为整个消费行为最重要的瓶颈，搜索结果的有无、搜索结果的好坏会直接对消费行为造成影响，通过分享成倍扩散。网络上的信息、评论对购物决策的影响已经逐渐超过传统媒体。其次，网络营销的效果优于其他媒体。基于用户数据库的分析，网络营销能够实现精准投放。同时，互联网是唯一一个能够集问题识别、信息搜集、评价选择、决策购买和购后评价这一系列消费者行为为一身的媒体平台。大大提高了用户的购物效率，能够使营销直接产生购买效果。最后，网络对其他媒体的融合使得用户的媒体消费习惯越来越集中于网络。这必然导致广告资源流向互联网，网络广告相对于其他媒体广告将在较长时间内保持较快的增长速度。