云深商学院分分钟微信3:如何将微信标题党做到极致

我们都知道,在营销过程中,我们的广告标题非常重要。无论是邮件、软文,还是微信公众号的标题……客户第一眼看到的是我们的标题,如果我们的标题没有吸引力的话,那么客户就不会点击,客户不点击,无论你的产品和服务有多好,一切都是0……

只有客户点击了我们的广告,进来我们的网站社群等一些沟通平台,我们才有成交的机会。所以一个广告的成功,标题占其80%的要素……

854655182c3148c586c5a5897d5b58a3.jpeg

所以你必须撰写出一个可以令人无法抗拒的标题,那么如何才能让你的广告令人无法抗拒呢?这里我总结了以下几点内容:

第一点,我们可以借助明星名人。名人拥有广泛的知名度和市场号召力,借助名人可以通过大众对名人的崇拜来增加可信度。

53db8629f72746ceb899480b3a0b6c6b.jpeg

第二点,我们也可以借助群众。我们都是有从众心理的。大多数人都在做的事,我们就觉得自己也可以做;大多数人都在读的文章,我们就觉得自己也应该读。

第三点,当然,我们也能借助一些权威。借助权威与借助名人其实有相似还有重合的地方,但也有其独特之处。借助名人强调的是知名度,但借助权威强调的则是在某个领域的专业度还有他的权威性。它的基本玩法就是:“专家1在专家2的地方说的任何事情都是正确的→专家1在专家2领域说了专家3的理论→因此,大家得出结论就是,专家3的话就是正确的。

92ee910133244270a225c60fab312206.png

第四点,就是借助它的稀缺性唯一性。唯一就不可替代。世界上最好做的生意就是垄断,只此一家,别无分号。比如“史玉柱迄今为止唯一公开著作”,它强调的就是唯一性。如果你想买本书来了解史玉柱,学习他的营销心得,你就只能买这一本。

第五点就是借助一些故事。人的大脑,本身就是一台天然的故事接受器。在广告行业,也是把好故事作为优秀文案的标准。好故事能吸引人抓住人,也能自动传播。但需要注意的是,公众号字数不能太多,所以故事一定要精短;同时要留有悬念,这样才能激发观众的好奇心。

当然,除此之外真正让人无法抗拒吸引眼球的标题还有其他几个要点,再次就不一一讲了,有兴趣的朋友可以百度云深网谈或云深商学院,还有关注我们的微信公众号或微博“Cloud云深网谈”了解完整的技巧要点,我会把这些技巧点都一一记录在上面。

以上几点主要创作标题时注意的大的关键点,下面我还有几个小技巧来跟大家分享一下,方便大家更好理解创作标题的精髓。

第一种可以写提问或反问句,标题是问句往往可以引发读者和粉丝的共鸣,好奇之心人皆有之,如果恰好读者也想要知道答案,他自然就会点击阅读。

71239cd9b47940938f6b3ea499b225ce.jpeg

第二种就是热点式,写标题时结合当下最热门的热点事件、节日等内容,直接说出主题,及时的将相关内容推送出去。

1ca9d33a43c74468aaae5599085fa47a.jpeg

第三种反常理的标题,这种标题通常内容是反驳人们的常理,毋庸置疑,这种标题一定会吸引人的眼球。只是要把握好一个度,毕竟你的文章是希望别人仔细阅读,而不是进去就开喷,打口水战而影响读者心情。

69ae062dc1764522a7de6665d3b8a4ae.jpeg

以上就是我们今天和大家分享出来的一些经验,那么大家可以自我盘点一下,以往创作标题时有没有注意这些细节,只有标题醒目主题明确,这样才能更好的提高我们的文章质量和转化率。欢迎大家关注云深商学院或云深网谈,获取更多的创业资讯。

来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/31448182/viewspace-2157573/,如需转载,请注明出处,否则将追究法律责任。

转载于:http://blog.itpub.net/31448182/viewspace-2157573/

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可为两个关键的子任务,目标定位和目标类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要为两类:Two stage和One stage。Two stage方法将目标检测过程为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行类,并根据类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度数阈值,将置信度数小于阈值的直接过滤掉 将剩下框的置信度数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可为两个关键的子任务,目标定位和目标类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要为两类:Two stage和One stage。Two stage方法将目标检测过程为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行类,并根据类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度数阈值,将置信度数小于阈值的直接过滤掉 将剩下框的置信度数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值