Social media platforms are becoming increasingly important marketing channels, and recently these channels are becoming dominated by content that is not textual, but visual in nature. In this paper, we explore the relationship between the visual complexity of firm-generated imagery (FGI) and consumer liking on social media. We use previously validated image mining methods, to automatically extract interpretable visual complexity measures from images. We construct a set of six interpretable measures that are categorized as either (1) feature complexity measures (i.e., unstructured pixel-level variation; color, luminance, and edges) or (2) design complexity measures (i.e., structured design-level variation; number of objects, irregularity of object arrangement, and asymmetry of object arrangement). These measures and their interpretability are validated using a human subject experiment. Subsequently, we relate these visual complexity measures to the number of likes. The results show an inverted u-shape between feature complexity and consumer liking and a regular u-shape relationship between design complexity and consumer liking. In addition, we demonstrate that using the six individual measures that constitute feature- and design complexity provides a more nuanced view of the relationship between the unique aspects of visual complexity and consumer liking of FGI on social media than observed in previous studies that used a more aggregated measure. Overall, the automated framework presented in this paper opens up a wide range of possibilities for studying the role of visual complexity in online content.

社交媒体平台正成为越来越重要的营销渠道，最近这些渠道正被非文字内容而是视觉内容所主导。在本文中，我们探讨了公司生成图像 (FGI) 的视觉复杂性与消费者在社交媒体上的喜好之间的关系。我们使用先前验证过的图像挖掘方法，从图像中自动提取可解释的视觉复杂性度量。我们构建了一组六个可解释的度量，它们被归类为 (1) 特征复杂性度量（即非结构化像素级变化；颜色、亮度和边缘）或 (2) 设计复杂性度量（即结构化设计级变化; 对象的数量、对象排列的不规则性和对象排列的不对称性）。这些措施及其可解释性通过人类受试者实验得到验证。随后，我们将这些视觉复杂性度量与喜欢的数量联系起来。结果表明，特征复杂性和消费者喜好之间存在倒 U 型关系，设计复杂性和消费者喜好之间存在规则 u 型关系。此外，我们证明，使用构成特征和设计复杂性的六种单独措施可以更细致地了解视觉复杂性的独特方面与消费者在社交媒体上对 FGI 的喜好之间的关系，而不是之前使用更多聚合度量。总体而言，本文提出的自动化框架为研究视觉复杂性在在线内容中的作用开辟了广泛的可能性。随后，我们将这些视觉复杂性度量与喜欢的数量联系起来。结果表明，特征复杂性和消费者喜好之间存在倒 U 型关系，设计复杂性和消费者喜好之间存在规则 u 型关系。此外，我们证明，使用构成特征和设计复杂性的六种单独措施可以更细致地了解视觉复杂性的独特方面与消费者在社交媒体上对 FGI 的喜好之间的关系，而不是之前使用更多聚合度量。总体而言，本文提出的自动化框架为研究视觉复杂性在在线内容中的作用开辟了广泛的可能性。随后，我们将这些视觉复杂性度量与喜欢的数量联系起来。结果表明，特征复杂性和消费者喜好之间存在倒 U 型关系，设计复杂性和消费者喜好之间存在规则 u 型关系。此外，我们证明，使用构成特征和设计复杂性的六种单独措施可以更细致地了解视觉复杂性的独特方面与消费者在社交媒体上对 FGI 的喜好之间的关系，而不是之前使用更多聚合度量。总体而言，本文提出的自动化框架为研究视觉复杂性在在线内容中的作用开辟了广泛的可能性。结果表明，特征复杂性和消费者喜好之间存在倒 U 型关系，设计复杂性和消费者喜好之间存在规则 u 型关系。此外，我们证明，使用构成特征和设计复杂性的六种单独措施可以更细致地了解视觉复杂性的独特方面与消费者在社交媒体上对 FGI 的喜好之间的关系，而不是之前使用更多聚合度量。总体而言，本文提出的自动化框架为研究视觉复杂性在在线内容中的作用开辟了广泛的可能性。结果表明，特征复杂性和消费者喜好之间存在倒 U 型关系，设计复杂性和消费者喜好之间存在规则 u 型关系。此外，我们证明，使用构成特征和设计复杂性的六种单独措施可以更细致地了解视觉复杂性的独特方面与消费者在社交媒体上对 FGI 的喜好之间的关系，而不是之前使用更多聚合度量。总体而言，本文提出的自动化框架为研究视觉复杂性在在线内容中的作用开辟了广泛的可能性。我们证明，使用构成特征复杂性和设计复杂性的六种单独测量，可以更细致地了解视觉复杂性的独特方面与消费者在社交媒体上对 FGI 的喜好之间的关系，这比之前使用更综合测量的研究中观察到的要多。总体而言，本文提出的自动化框架为研究视觉复杂性在在线内容中的作用开辟了广泛的可能性。我们证明，使用构成特征复杂性和设计复杂性的六种单独测量，可以更细致地了解视觉复杂性的独特方面与消费者在社交媒体上对 FGI 的喜好之间的关系，这比之前使用更综合测量的研究中观察到的要多。总体而言，本文提出的自动化框架为研究视觉复杂性在在线内容中的作用开辟了广泛的可能性。