1.一種品牌定位方法，其特征在于，所述方法由計算機執行，包括以下步驟：

S1、獲取待定位的品牌文本數據和處于同一競爭空間的品牌文本集合，并對所述待定位的品牌文本數據和所述處于同一競爭空間的品牌文本集合進行預處理，所述待定位的品牌文本數據包括品牌發布的文本數據和用戶生成的文本數據；

S2、基于預處理后的所述待定位的品牌文本數據獲取品牌感知差值，包括：

S201、基于主題模型和預處理后的品牌文本數據抽取品牌文本數據的隱含主題，包括：

品牌文本數據中文檔d的主題先驗分布θ_d和主題k對應詞的先驗分布β_k均服從Dirichlet分布：

θ_d～Dirichlet(α)

β_k～Dirichlet(η)

其中：

α和η分別是θ_d和β_k的超參數；

主題k∈{1,2,…,K}；

基于θ_d確定文檔d中的第i個單詞w_di的主題z_di，z_di服從多項式分布：

z_di～Mult(θ_d)

其中：

z_di∈{1,2,…,K},K為整個品牌文本數據中的主題總數目；

在確定主題z_di和主題詞分布β_k的基礎上，生成文檔d中的第i個單詞w_di，w_di服從多項式分布：

其中：w_di＝v∈{1,2,…,V}，V為整個品牌文本數據中不重復的單詞數目；

基于貝葉斯法則，得到文檔d中的第i個單詞w_di對應主題z_di的后驗概率：

p(z_di＝k|z_-di,w_-di,w_di＝v)∝p(w_di|z_di＝k,z_-di,w_-di)p(z_di＝k|z_-di)

其中：

z_-di表示去除單詞w_di后，整個品牌文本數據中其他單詞對應的主題；

w_-di表示去除單詞w_di后，整個品牌文本數據中剩余的所有單詞；

p(z_di＝k|z_-di,w_-di,w_di＝v)表示在z_-di、w_-di和w_di已知的條件下，產生單詞w_di對應主題z_di的條件后驗概率；

p(w_di|z_di＝k,z_-di,w_-di)表示在w_-di、z_-di和z_di已知的條件下，生成單詞w_di的似然概率；

p(z_di＝k|z_-di)表示在z_-di已知的條件下，產生單詞w_di對應主題z_di的先驗概率；

p(w_di|z_di＝k,z_-di,w_-di)通過如下公式計算：

其中：

p(w_di|z_di＝k,β_k)表示在主題z_di和主題詞分布β_k已知的情況下，產生單詞w_di的概率；

p(β_k|z_-di,w_-di)表示在z_-di和w_-di已知的情況下，產生β_k的概率；

表示除去當前單詞w_di，主題k生成單詞v的數量；

表示除去當前單詞w_di，主題k生成單詞的總量；

p(z_di＝k|z_-di)通過如下公式計算：

其中：

p(z_di＝k|θ_d)表示在θ_d已知的條件下產生k的概率；

p(θ_d|z_-di)表示在z_-di已知的條件下產生θ_d的概率；

表示去除當前單詞w_di，文檔d中第k個主題生成的單詞數量；表示去除當前單詞w_di，文檔d中的單詞總量；

聯合p(w_di|z_di＝k,z_-di,w_-di)和p(z_di＝k|z_-di)計算得到：

基于p(z_di＝k|z_-di,w_-di,w_di＝v)公式，采用Gibbs采樣方法迭代至收斂，確定品牌發布的文本數據中每個單詞對應的主題，統計主題k對應的v詞匯的數量主題k對應的所有單詞的數量文檔d中主題k生成的單詞總數和文檔d中單詞總通過如下公式估計品牌文本數據中文檔d中主題分布θ_d和主題詞分布β_k：

其中：

θ_dk表示主題k在文檔d中所占權重；

β_kv表示詞匯v在主題k中所占權重；

基于β_kv和θ_dk選取權重為Top-N個代表性的詞匯描述品牌文本數據中的每個主題；

計算用戶生成的文本數據的每個單詞對應的主題，選取Top-N個代表性的詞匯描述用戶生成的文本數據中的每個主題；

S202、基于品牌文本數據的隱含主題衡量品牌自身發聲和用戶感知的差異，包括：

令MP_perception表示品牌定位感知維度的測量結果，其衡量了品牌自身發聲和用戶感知的差異，計算公式如下：

其中：

K是S201中主題的個數；

z_i和z_i′是用代表性的詞匯表示的N維向量；

cos(z_i,z_i′)表示在用戶感知主題和品牌自定義主題之間的相似性；

S3、基于所述處于同一競爭空間的品牌文本集合和所述待定位的品牌文本數據獲取待定位的品牌在競爭空間中的相對位置；

S4、基于所述品牌感知差值和所述待定位的品牌在競爭空間中的相對位置獲取待定位的品牌的品牌定位。