Статья: Соответствие контекста упоминания бренда в литературе современным ценностям бренда и целевой аудитории (на примере Nestle в воспоминаниях К. Чуковского об А. Ахматовой)

В целом технологии используют векторное представление слов, когда каждое слово подается как массив значений неких параметров (например, Word2vecWord2vec - группа алгоритмов, использующих нейронные сети для представления слов естественного языка в виде векторов. Векторизация в них базируется на относительных частотах встречаемости слов в определенных контекстах (отсюда связанный термин "дистрибутивная семантика"). Алгоритмы и большое количество необходимых для их работы библиотек доступны бесплатно и лежат в основе многих прикладных программных решений в сфере маркетинга. Первоначально подход разработан был специалистами Google. охватывает около 200 параметров), и через различные алгоритмы сравнивается частота встречаемости каждого слова в определенных контекстах либо оценивается вероятность для двух слов оказаться рядом в одном фрагменте текста [Kutuzov, Kuzmenko, 2017].

Принципиально ценными в этом подходе необходимо признать следующие условия: 1) слово векторизуется, переводится в измеримую цифровую категорию; 2) собираются и размечаются гигантские корпуса (миллионы) текстов для референсных сравнений и расчета стандартных частот. При наличии данных условий со словами могут работать алгоритмы искусственного интеллекта, которые можно обучать и при этом находить ближайшие соответствия для самых разных маркетинговых задач.

Однако существуют и серьезные ограничения рассматриваемого подхода. Самое главное из них состоит в том, что алгоритмы информационных технологий работают с цифровой матрицей слова и ее встречаемостью в разных контекстах, а мозг человека - с массивом ассоциаций, порождаемых словом. Следовательно, искусственный интеллект оперирует примерами использования слова в стандартных текстах, а человек - смыслами слова. Во многих случаях эти два понятия - "контекстный смысл" и "ассоциативный смысл" - совпадают или очень близки. Тем не менее возникают ситуации, когда технологии контент-анализа не полностью релевантны, например при анализе текстов из литературных произведений.

При работе с литературными источниками важно учитывать ряд обстоятельств. Во-первых, многие бренды ведут свою историю на протяжении десятилетий и даже веков, коллекционируют упоминания о себе в выдающихся произведениях литературы и гордятся этим, как, например, бренд Breguet, который собрал все литературные фрагменты со своим именем на официальном сайте.

Во-вторых, литературное творчество во многих жанрах чувствительно к повторам одинаковых слов (в отличие от рекламы и политтехнологий, где неоднократное повторение главного посыла считается залогом успеха). Это приводит к тому, что в не очень длинных текстах часто бывает сложно выделить надежное семантическое ядро - слова, которые встречаются чаще, чем другие.

В-третьих, частота и оттенки употребления многих слов изменились за последние 200 лет, в течение которых создавались известные литературные произведения. и чем старше источник, тем менее надежным будет анализ слов на основе частоты их использования в современных референсных текстах.

В-четвертых, искусство литературного жанра нередко предполагает обращение одновременно ко многим уровням смысла. В литературном шедевре словами может быть описана ситуация, на которую кто-то среагирует буквально, на уровне композиции будут рождаться другие воспоминания и ассоциации, а череда преднамеренных вкраплений-напоминаний может отсылать искушенного читателя к другим произведениям литературы или историческим ситуациям, порой меняя смысловое значение на полностью противоположное. В качестве примера таких заведомо двусмысленных текстов можно назвать эзопов язык басни.

Все указанные обстоятельства делают крайне непростым анализ ситуаций, когда бренд упоминается в произведениях литературы. Возникает вопрос: помогает или вредит это ценностям бренда и его имиджу? В статье предпринята попытка подойти к ответу на него с позиции анализа смыслов слов и расчета степени соответствия не конкретных слов, а их смыслов в сравниваемых текстовых массивах.

Методология исследования

Методика формирования массивов слов для последующего сравнения. Для анализа ценностей бренда Nestle в настоящей работе использовалось семантическое ядро из текстов с официального сайта компании с описанием разделяемых ценностей брендаДля получения семантического ядра были взяты целиком тексты со страниц сайта компании Nestle: https://www.nestle.com/csv/global-initiatives/healthier-kids; https://www.nestle.com/csv/ global-initiatives/global-youth-initiative; https://www.nestle.com/csv/global-initiatives/zero-environmental- impact; https://www.nestle.com/csv (дата обращения: 02.07.2021).. Массив включает 522 слова. Визуализация семантического ядра представлена на рис. 5.

Рис. 5. Визуализация семантического ядра в текстах, отражающих ценности бренда Nestle

Составлено по: www.wordclouds.com (дата обращения: 02.07.2021).

Из воспоминаний К. Чуковского об А. Ахматовой был взят фрагмент, включающий 60 слов текста, относящегося непосредственно к банке с мукой (отмечен курсивом в приведенном отрывке из воспоминаний). При переводе на английский языкЗдесь и далее преднамеренно использован автоматический перевод для максимальной объективизации процесса преобразований с помощью онлайн-переводчика DeepL (www.deepl.com). получился фрагмент из 75 слов.

Что касается ценностей российской молодежи в отношении жизни в целом, то массив слов формировался из ответов на вопрос: "Назовите три слова - существительное, прилагательное и глагол, - которые ассоциируются у Вас с чем-то самым важным в жизни"Подробная методика проведения эмпирического исследования описана в [Андреюк, Петру- нин, Храбровская, 2020].. Массив данных основан на ответах 651 представителя российской молодежи в возрасте от 14 до 23 лет из четырех городов России (Москва, Челябинск, Нижний Новгород, Владимир) в ходе очных научно-популярных лекций в период с сентября 2018 г. по декабрь 2019 г. Иными словами, в фокусе исследования были представители так называемого поколения Z. Итоговый массив содержал 2 070 слов. Визуализация семантического ядра массива ценностей молодежи приведена на рис. 6.

Рис. 6. Визуализация семантического ядра в массиве свободных ассоциаций молодых людей в отношении "самого важного в жизни"

Составлено по: www.wordclouds.com (дата обращения: 02.07.2021).

В таблице приведены численные характеристики семантических ядер массива слов ценностей российской молодежи и массива слов ценностей бренда Nestle, а именно - частоты верхних 20 слов в частотной гистограмме.

Таблица. Семантические ядра двух массивов слов: ценности российской молодежи и ценности бренда Nestle

Примечания: 1) приведено 20 наиболее высокочастотных слов из каждого массива; 2) во всех случаях сохранен язык оригинала.

В рассмотренном отрывке воспоминаний к. Чуковского семантическое ядро выделить не удалось, поскольку литератор избегал повторений в использовании слов - лишь слово "жестянка" повторено дважды.

Методика выделения смыслов: преобразование массива слов в массив смыслов по тезаурусу Роже. Для перевода слова в набор смыслов применен тезаурус роже [Roget, 1991]. ранее в [Андреюк, Левитина, Сушко, 2022] был разработан и описан автоматический алгоритм, написанный на языке Python и находящийся в открытом доступерепозиторий GitHub. URL: https://github.com/chameleon-lizard/Roget/releases (дата обращения: 04.03.2022).. Он использует текст тезауруса 1991 г. и при вводе массива слов для каждого слова последовательно ищет соответствия в тезаурусе. Все понятийные группы, в которые включено искомое слово, программа возвращает в виде их номеров. точнее, выходной массив - это все понятийные группы тезауруса роже, выстроенные по возрастанию их порядкового номера, а также частота встречаемости каждой группы во входном массиве слов. Выходной массив имеет размерность 1 044 - именно столько групп содержит тезаурус.

Данная программа использовалась и в настоящей работе для анализа смысловой близости массивов слов. косинусная близость рассчитывалась по всей совокупности понятийных групп, т. е. между двумя векторами с частотами каждой из 1 044 понятийных групп роже. Общая схема эксперимента по сравнению смыслов представлена на рис. 7.

Рис. 7. Схема преобразований для сравнения смысловой структуры в двух массивах слов: с ценностями бренда и с ценностями целевой группы

Методика сравнения степени соответствия: расчет косинусной близости смыслов. Семантическая близость между лингвистическими единицами вычисляется как расстояние между векторами. В исследованиях по дистрибутивной семантике чаще всего используется косинусная мера, которая вычисляется по формуле:

где А и В - два вектора размерности n, между которыми вычисляется расстояниеОписание принципа содержится в обзоре [Митрофанова, 2007]., i - номер элемента векторного пространства.

Таким образом, степень смыслового соответствия исследуемых массивов текста, или семантическая близость, измерялась как значение косинусного расстояния между векторами частот встречаемости в этих массивах понятийных групп согласно тезаурусу Роже.

Обсуждение результатов исследования

На рис. 8 графически представлена взаимная близость ценностей бренда Nestle, фрагмента из воспоминаний К. Чуковского с упоминанием Nestle и ценностей российской молодежи. Числа отражают косинусную близость, рассчитанную между двумя соответствующими векторами частот понятийных групп Роже.

Рис. 8. Графическое представление косинусной близости ценностей во фрагменте из воспоминаний К. Чуковского, бренда Nestle и российской молодежи

Полученные результаты продемонстрировали, что, хотя смысловой контекст ценностей бренда Nestle, заявленных на официальном сайте, равно как и смысловой контекст упоминания Nestle К. Чуковским относительно далеки от ценностей российской молодежи, между собой эти два фрагмента текста довольно близки.

Прежде всего, обращает на себя внимание тот факт, что классический контент-анализ, основанный на подсчете и сравнении частоты встречаемости отдельных слов, в данном случае не применим: как следует из таблицы, массивы слов с ценностями молодежи и ценностями бренда в своих семантических ядрах имеют лишь одно общее слово - "здоровье"/"health", а в рассмотренном литературном фрагменте выделить семантическое ядро не удается. Также можно отметить, что лемматизация в данном случае не изменит семантическое ядро (все слова уже находятся в их нормальных формах), а приведение однокоренных слов к общему корню хотя и повлечет за собой небольшие изменения в семантических ядрах, но не добавит ясности в отношении смысловой близости фрагментовПолуколичественный метод (Semiquantitative analysis) сопоставления смыслов в ценностях молодежи и ценностях брендов был предложен в работе [Gerasimenko, Andreyuk, Kurkova, 2021]. Он основан на подсчете совпадений слов в каждом из сравниваемых массивов, но его некорректно использовать, если совпадений мало. Преобразование с помощью тезауруса Роже позволяет сделать точное количественное сравнение даже для семантически далеких массивов слов..

А так, преобразование массивов слов в смысловые векторы с помощью тезауруса роже действительно позволило выявить искомый скрытый эффект воздействия литературного произведения на потенциального потребителя бренда. наблюдаемое на рис. 8 распределение расстояний может быть интерпретировано таким образом: указанный фрагмент из воспоминаний к. и. Чуковского об А.А. Ахматовой имеет значительную долю перекрывания по смыслам с описанием ценностей бренда Nestle на официальном сайте и, следовательно, может выступать транслятором этих ценностей целевой аудитории российской молодежи в той мере, в которой система ценностей молодых россиян позволяет им интересоваться проблематикой, описанной литератором.

С позиции маркетинга важно, что смысловая близость к ценностям молодежи воспоминаний К. Чуковского (0,33) и близость к ним ценностей Nestle (0,35) - разные "близости". Это объясняется тем, что речь идет о многомерных векторах, когда совершенно разные участки общего смысла могут дать схожую величину близости. В данном случае совпадают именно разные смыслы - к бренду молодежь ближе одними, а к А. Ахматовой и к. Чуковскому - другими ценностями.