1.一种品牌定位方法，其特征在于，所述方法由计算机执行，包括以下步骤：S1、获取待定位的品牌文本数据和处于同一竞争空间的品牌文本集合，并对所述待定位的品牌文本数据和所述处于同一竞争空间的品牌文本集合进行预处理，所述待定位的品牌文本数据包括品牌发布的文本数据和用户生成的文本数据；

S2、基于预处理后的所述待定位的品牌文本数据获取品牌感知差值，包括：S201、基于主题模型和预处理后的品牌文本数据抽取品牌文本数据的隐含主题，包括：品牌文本数据中文档d的主题先验分布θd和主题k对应词的先验分布βk均服从Dirichlet分布：

θd～Dirichlet(α)

βk～Dirichlet(η)

其中：

α和η分别是θd和βk的超参数；

主题k∈{1,2,…,K}；

基于θd确定文档d中的第i个单词wdi的主题zdi，zdi服从多项式分布：zdi～Mult(θd)

其中：

zdi∈{1,2,…,K},K为整个品牌文本数据中的主题总数目；

在确定主题zdi和主题词分布βk的基础上，生成文档d中的第i个单词wdi，wdi服从多项式分布：其中：wdi＝v∈{1,2,…,V}，V为整个品牌文本数据中不重复的单词数目；

基于贝叶斯法则，得到文档d中的第i个单词wdi对应主题zdi的后验概率：p(zdi＝k|z‑di,w‑di,wdi＝v)∝p(wdi|zdi＝k,z‑di,w‑di)p(zdi＝k|z‑di)其中：z‑di表示去除单词wdi后，整个品牌文本数据中其他单词对应的主题；

w‑di表示去除单词wdi后，整个品牌文本数据中剩余的所有单词；

p(zdi＝k|z‑di,w‑di,wdi＝v)表示在z‑di、w‑di和wdi已知的条件下，产生单词wdi对应主题zdi的条件后验概率；

p(wdi|zdi＝k,z‑di,w‑di)表示在w‑di、z‑di和zdi已知的条件下，生成单词wdi的似然概率；

p(zdi＝k|z‑di)表示在z‑di已知的条件下，产生单词wdi对应主题zdi的先验概率；

p(wdi|zdi＝k,z‑di,w‑di)通过如下公式计算：其中：

p(wdi|zdi＝k,βk)表示在主题zdi和主题词分布βk已知的情况下，产生单词wdi的概率；

p(βk|z‑di,w‑di)表示在z‑di和w‑di已知的情况下，产生βk的概率；

表示除去当前单词wdi，主题k生成单词v的数量；

表示除去当前单词wdi，主题k生成单词的总量；

p(zdi＝k|z‑di)通过如下公式计算：其中：

p(zdi＝k|θd)表示在θd已知的条件下产生k的概率；

p(θd|z‑di)表示在z‑di已知的条件下产生θd的概率；

表示去除当前单词wdi，文档d中第k个主题生成的单词数量； 表示去除当前单词wdi，文档d中的单词总量；

联合p(wdi|zdi＝k,z‑di,w‑di)和p(zdi＝k|z‑di)计算得到：基于p(zdi＝k|z‑di,w‑di,wdi＝v)公式，采用Gibbs采样方法迭代至收敛，确定品牌发布的文本数据中每个单词对应的主题，统计主题k对应的v词汇的数量 主题k对应的所有单词的数量 文档d中主题k生成的单词总数 和文档d中单词总 通过如下公式估计品牌文本数据中文档d中主题分布θd和主题词分布βk：其中：

θdk表示主题k在文档d中所占权重；

βkv表示词汇v在主题k中所占权重；

基于βkv和θdk选取权重为Top‑N个代表性的词汇描述品牌文本数据中的每个主题；

计算用户生成的文本数据的每个单词对应的主题，选取Top‑N个代表性的词汇描述用户生成的文本数据中的每个主题；

S202、基于品牌文本数据的隐含主题衡量品牌自身发声和用户感知的差异，包括：令MP_perception表示品牌定位感知维度的测量结果，其衡量了品牌自身发声和用户感知的差异，计算公式如下：其中：

K是S201中主题的个数；

zi和zi′是用代表性的词汇表示的N维向量；

cos(zi,zi′)表示在用户感知主题和品牌自定义主题之间的相似性；

S3、基于所述处于同一竞争空间的品牌文本集合和所述待定位的品牌文本数据获取待定位的品牌在竞争空间中的相对位置；

S4、基于所述品牌感知差值和所述待定位的品牌在竞争空间中的相对位置获取待定位的品牌的品牌定位。

2.如权利要求1所述的品牌定位方法，其特征在于，所述预处理包括：对文本进行分词以及词性标注；

去掉文本的标点符号、特殊字符和作为语法填充作用的停用词；

使用hownet词典进行同义词替换；

检测词语在语料中出现的频率，使用截止规则，去掉频率表首尾两端的词语。

3.如权利要求2所述的品牌定位方法，其特征在于，所述S3具体包括：S301、{Vbrand1,Vbrand2,…,Vbrandl}是处于同一竞争空间的品牌集合，令 是待定位的品牌i的品牌发布的文本数据向量表示， 是品牌j的品牌发布的文本数据向量表示，则品牌i和品牌j的品牌自身标签差异度为：其中：

表示 和 之间的余弦相似度；

S302、品牌i的用户生成的文本数据隐含主题为z1brandi,z2brandi,…,zKbrandi，品牌j的用户生成的文本数据的隐含主题为z′1brandi,z′2brandi,…,z′Kbrandi，则品牌i和品牌j的用户感知差异度为：其中：

cos(zibrand1,z′ibrand1)表示zibrand1和z′ibrand1之间的余弦相似度；

K表示品牌i的用户生成的文本数据隐含主题个数；

S303、取品牌自身标签差异度和用户感知差异度加权平均，品牌i相对其竞争品牌j的差异度为：sim(Vbrandi,Vbrandj)＝λ1sbrand(Vbrandi,Vbrandj)+λ2sbrand(Vbrandi,Vbrandj)′其中：λ1，λ2表示品牌自我定位标签和用户感知标签的重要程度，品牌在竞争空间中的相对位置为MP_location，其中：

l表示在该竞争空间中品牌的个数。

4.如权利要求1所述的品牌定位方法，其特征在于，所述S4具体包括：根据品牌生命周期、所述品牌感知差值和所述待定位的品牌在竞争空间中的相对位置获取待定位的品牌在品牌生命周期的不同阶段的品牌定位。

5.如权利要求4所述的品牌定位方法，其特征在于，所述方法还包括：将品牌发布的文本数据表示为词向量，用 表示文档d，每个单词w都是向量空间中的一个特征，向量的维数|d|是语料中出现唯一单词的个数，每个维度的权重ω代表这个单词在语料中的重要程度，权重的计算公式如下：TF‑IDF(w,d)＝TF(w,d)×IDF(w)其中：

TF(w,d)表示单词w在文档d中出现的频率，n为包含单词w的文档个数，m为语料中文档总数；

使用余弦距离计算文本之间的相似性，计算公式如下：按时间序列计算不同文本之间的相似性变化，获取在生命周期的不同阶段品牌对自身进行目标定位的变迁。

6.一种品牌定位系统，其特征在于，所述系统包括计算机，所述计算机包括：至少一个存储单元；

至少一个处理单元；

其中，所述至少一个存储单元中存储有至少一条指令，所述至少一条指令由所述至少一个处理单元加载并执行以实现以下步骤：S1、获取待定位的品牌文本数据和处于同一竞争空间的品牌文本集合，并对所述待定位的品牌文本数据和所述处于同一竞争空间的品牌文本集合进行预处理，所述待定位的品牌文本数据包括品牌发布的文本数据和用户生成的文本数据；

S2、基于预处理后的所述待定位的品牌文本数据获取品牌感知差值，S201、基于主题模型和预处理后的品牌文本数据抽取品牌文本数据的隐含主题，包括：品牌文本数据中文档d的主题先验分布θd和主题k对应词的先验分布βk均服从Dirichlet分布：

θd～Dirichlet(α)

βk～Dirichlet(η)

其中：

α和η分别是θd和βk的超参数；

主题k∈{1,2,…,K}；

基于θd确定文档d中的第i个单词wdi的主题zdi，zdi服从多项式分布：zdi～Mult(θd)

其中：

zdi∈{1,2,…,K},K为整个品牌文本数据中的主题总数目；

在确定主题zdi和主题词分布βk的基础上，生成文档d中的第i个单词wdi，wdi服从多项式分布：其中：wdi＝v∈{1,2,…,V}，V为整个品牌文本数据中不重复的单词数目；

基于贝叶斯法则，得到文档d中的第i个单词wdi对应主题zdi的后验概率：p(zdi＝k|z‑di,w‑di,wdi＝v)∝p(wdi|zdi＝k,z‑di,w‑di)p(zdi＝k|z‑di)其中：z‑di表示去除单词wdi后，整个品牌文本数据中其他单词对应的主题；

w‑di表示去除单词wdi后，整个品牌文本数据中剩余的所有单词；

p(zdi＝k|z‑di,w‑di,wdi＝v)表示在z‑di、w‑di和wdi已知的条件下，产生单词wdi对应主题zdi的条件后验概率；

p(wdi|zdi＝k,z‑di,w‑di)表示在w‑di、z‑di和zdi已知的条件下，生成单词wdi的似然概率；

p(zdi＝k|z‑di)表示在z‑di已知的条件下，产生单词wdi对应主题zdi的先验概率；

p(wdi|zdi＝k,z‑di,w‑di)通过如下公式计算：其中：

p(wdi|zdi＝k,βk)表示在主题zdi和主题词分布βk已知的情况下，产生单词wdi的概率；

p(βk|z‑di,w‑di)表示在z‑di和w‑di已知的情况下，产生βk的概率；

表示除去当前单词wdi，主题k生成单词v的数量；

表示除去当前单词wdi，主题k生成单词的总量；

p(zdi＝k|z‑di)通过如下公式计算：其中：

p(zdi＝k|θd)表示在θd已知的条件下产生k的概率；

p(θd|z‑di)表示在z‑di已知的条件下产生θd的概率；

表示去除当前单词wdi，文档d中第k个主题生成的单词数量； 表示去除当前单词wdi，文档d中的单词总量；

联合p(wdi|zdi＝k,z‑di,w‑di)和p(zdi＝k|z‑di)计算得到：基于p(zdi＝k|z‑di,w‑di,wdi＝v)公式，采用Gibbs采样方法迭代至收敛，确定品牌发布的文本数据中每个单词对应的主题，统计主题k对应的v词汇的数量 主题k对应的所有单词的数量 文档d中主题k生成的单词总数 和文档d中单词总 通过如下公式估计品牌文本数据中文档d中主题分布θd和主题词分布βk：其中：

θdk表示主题k在文档d中所占权重；

βkv表示词汇v在主题k中所占权重；

基于βkv和θdk选取权重为Top‑N个代表性的词汇描述品牌文本数据中的每个主题；

计算用户生成的文本数据的每个单词对应的主题，选取Top‑N个代表性的词汇描述用户生成的文本数据中的每个主题；

S202、基于品牌文本数据的隐含主题衡量品牌自身发声和用户感知的差异，包括：令MP_perception表示品牌定位感知维度的测量结果，其衡量了品牌自身发声和用户感知的差异，计算公式如下：其中：

K是S201中主题的个数；

zi和z′i是用代表性的词汇表示的N维向量；

cos(zi,z′i)表示在用户感知主题和品牌自定义主题之间的相似性；

S3、基于所述处于同一竞争空间的品牌文本集合和所述待定位的品牌文本数据获取待定位的品牌在竞争空间中的相对位置；

S4、基于所述品牌感知差值和所述待定位的品牌在竞争空间中的相对位置获取待定位的品牌的品牌定位。