品牌延伸是当今极为流行的企业战略,优势与劣势并存。本研究对品牌延伸方向、品牌延伸架构、感知背叛的研究现状进行了系统的论述,并从品牌拥有者的视角出发,为品牌拥有者对品牌延伸战略的心理反应和品牌态度提供了一个新的视角,以感知...品牌延伸是当今极为流行的企业战略,优势与劣势并存。本研究对品牌延伸方向、品牌延伸架构、感知背叛的研究现状进行了系统的论述,并从品牌拥有者的视角出发,为品牌拥有者对品牌延伸战略的心理反应和品牌态度提供了一个新的视角,以感知背叛解释品牌拥有者消极态度的潜在反应机制,并对未来关于品牌延伸方向的研究提供了建议和方向。Brand extension is a very popular enterprise strategy nowadays, with both advantages and disadvantages. This research systematically discusses the research status of brand extension direction, brand extension architecture and perceived betrayal. And from the perspective of brand owners, this research provides a new perspective for brand owners’ psychological reaction to brand extension strategy and brand attitude, using perceived betrayal to explain the potential reaction mechanism of brand owners’ negative attitude. Suggestions and directions for future research on brand extension are also provided.展开更多
流形学习是一种新的非监督学习方法,可以有效地发现高维非线性数据集的内在维数和进行维数约简,近年来越来越受到机器学习和认知科学领域研究者的重视.虽然目前已经出现了很多有效的流形学习算法,如等度规映射(ISOMAP)、局部线性嵌套(Lo...流形学习是一种新的非监督学习方法,可以有效地发现高维非线性数据集的内在维数和进行维数约简,近年来越来越受到机器学习和认知科学领域研究者的重视.虽然目前已经出现了很多有效的流形学习算法,如等度规映射(ISOMAP)、局部线性嵌套(Locally Linear Embedding,LLE)等,然而,对观测空间的高维数据与降维后的低维数据之间的定量关系,尚难以直观地进行分析.这一方面不利于对数据内在规律的深入探察,一方面也不利于对不同流形学习算法的降维效果进行直观比较.文中提出了一种方法,可以从放大因子和延伸方向这两个方面显示出观测空间的高维数据与降维后的低维数据之间的联系;比较了两种著名的流形学习算法(ISOMAP和LLE)的性能,得出了一些有意义的结论;提出了相应的算法从而实现了以上理论.对几组数据的实验表明了研究的有效性和意义.展开更多
文摘品牌延伸是当今极为流行的企业战略,优势与劣势并存。本研究对品牌延伸方向、品牌延伸架构、感知背叛的研究现状进行了系统的论述,并从品牌拥有者的视角出发,为品牌拥有者对品牌延伸战略的心理反应和品牌态度提供了一个新的视角,以感知背叛解释品牌拥有者消极态度的潜在反应机制,并对未来关于品牌延伸方向的研究提供了建议和方向。Brand extension is a very popular enterprise strategy nowadays, with both advantages and disadvantages. This research systematically discusses the research status of brand extension direction, brand extension architecture and perceived betrayal. And from the perspective of brand owners, this research provides a new perspective for brand owners’ psychological reaction to brand extension strategy and brand attitude, using perceived betrayal to explain the potential reaction mechanism of brand owners’ negative attitude. Suggestions and directions for future research on brand extension are also provided.
文摘流形学习是一种新的非监督学习方法,可以有效地发现高维非线性数据集的内在维数和进行维数约简,近年来越来越受到机器学习和认知科学领域研究者的重视.虽然目前已经出现了很多有效的流形学习算法,如等度规映射(ISOMAP)、局部线性嵌套(Locally Linear Embedding,LLE)等,然而,对观测空间的高维数据与降维后的低维数据之间的定量关系,尚难以直观地进行分析.这一方面不利于对数据内在规律的深入探察,一方面也不利于对不同流形学习算法的降维效果进行直观比较.文中提出了一种方法,可以从放大因子和延伸方向这两个方面显示出观测空间的高维数据与降维后的低维数据之间的联系;比较了两种著名的流形学习算法(ISOMAP和LLE)的性能,得出了一些有意义的结论;提出了相应的算法从而实现了以上理论.对几组数据的实验表明了研究的有效性和意义.
