基于首播前搜索数据的电视剧流行度预测

doi:10.3969/j.issn.1000-3428.2017.07.001

计算机工程

基于首播前搜索数据的电视剧流行度预测

朱寒婷,尹敏,贺樑

(华东师范大学计算机科学与技术系,上海 200241)

收稿日期:2016-06-14 出版日期:2017-07-15 发布日期:2017-07-15
作者简介:朱寒婷(1991—),女,硕士研究生,主研方向为数据挖掘;尹敏,讲师;贺樑,教授、博士、博士生导师。
基金项目:
国家科技支撑计划项目(2015BAH01F02);上海市科学技术委员会科研计划项目(16511102702);上海市经济和信息化委员会项目(150643)。

TV Drama Popularity Prediction Based on Search Data Before the Premiere

ZHU Hanting,YIN Min,HE Liang

(Department of Computer Science and Technology,East China Normal University,Shanghai 200241,China)

Received:2016-06-14 Online:2017-07-15 Published:2017-07-15

摘要/Abstract

摘要：

现有对视频网站电视剧流行度预测的研究中考虑因素较少,并且极少能在电视剧首播前进行预测,这会使视频网站在做出版权购买、广告投放等决策时考虑不全面并且出现预测时间滞后的问题。为此,提出一种在首播前预测视频网站电视剧流行度的方法,综合考虑电视剧剧名和演员搜索数据,通过分析时间序列确定最早预测时间,使用多元线性回归模型实现电视剧流行度的预测。实验结果表明,该方法可利用首播前第13—18天的剧名和演员的百度搜索指数对PPTV和优酷2014年、2015年上线的电视剧预测上线后30天的点播量,预测值与真实值之间的皮尔森相关系数分别达到0.943 7和0.967 6,具有较好的预测效果。

关键词: 电视剧流行度, 电视剧点播量排名, 多元线性回归, 特征融合, 最早预测时间, 百度搜索指数

Abstract: Existing methods for TV drama popularity prediction in video websites solely consider the single factor and most of them cannot predict before the premiere.This will lead to the video website making unreasonable decisions on the purchase of copyright and advertising with a few days’ time lag.To solve this problem,this paper proposes a method which can predict the TV drama popularity in video websites before its premiere.This method first uses the search data of TV drama such as name and actor comprehensively.Then the method calculates the earliest prediction time through time series analysis.Finally,based on multiple linear regression model,it gets the optimal feature and predicts the popularity.Experiments result shows that this method can use the thirteenth to eighteenth days’ Baidu search index of name and actor before the premiere to predict 30 days’ on demand quantity ranking after premiere for TV dramas launched on PPTV and YOUKU in 2014 and 2015.The Spearman correlation coefficient between the prediction rank and real rank reaches 0.943 7 on PPTV and 0.967 6 on YOUKU.The result shows that this method has a good prediction effect.

Key words: TV drama popularity, TV drama on demand quantity ranking, Multiple Linear Regression(MLR), feature fusion, earliest prediction time, Baidu search index

中图分类号:

TP18

朱寒婷,尹敏,贺樑. 基于首播前搜索数据的电视剧流行度预测[J]. 计算机工程, doi: 10.3969/j.issn.1000-3428.2017.07.001.

ZHU Hanting,YIN Min,HE Liang. TV Drama Popularity Prediction Based on Search Data Before the Premiere [J]. Computer Engineering, doi: 10.3969/j.issn.1000-3428.2017.07.001.

参考文献

参考文献［1］西安电视剧版权交易中心.2014年电视剧网络新媒体播出平台分析［EB/OL］.(2015-05-29).https://sanwen8.cn/p/ebaZZN.html. ［2］吴玉玲,高铭.电视剧版权交易评估指标体系的建构［J］.当代传播,2014(2):105-107. ［3］洪皓轶.电视剧收视率预估的市场化操作模式构建探析［J］.电视研究,2013(2):71-73. ［4］欧阳柏成.大数据时代的数据挖掘技术探究［J］.电脑知识与技术,2015,11(15):3-4. ［5］Qiu Tongqing,Ge Zihui,Lee S,et al.Modeling Channel Popularity Ynamics in a Large IPTV System［J］.ACM SIGMETRICS Performance Evaluation Review,2009,37(1):275-286. ［6］Chen H,Hu Q,He L.Clairvoyant:An Early Prediction System For Video Hits［C］//Proceedings of the 23rd ACM International Conference on Conference on Information and Knowledge Management.New York,USA:ACM Press,2014:2054-2056. ［7］Asur S,Huberman B A.Predicting the Future with Social Media［C］//Proceedings of Proceedings of the 2010 IEEE/WIC/ACM International Conference on Web Intelligence and Intelligent Agent Technology.Washington D.C.,USA:IEEE Press,2010:492-499. ［8］Sadikov E,Parameswaran A G,Venetis P.Blogs as Predictors of Movie Success［C］//Proceedings of International Conference on Weblogs & Social Media.Washington D.C.,USA:IEEE Press,2009:304-308. ［9］Mishne G,Glance N.Predicting Movie Sales from Blogger Sentiment［C］//Proceedings of Computational Approaches to Analyzing Weblogs Conference.Menlo Park,USA:AAAI Press,2006:301-304. ［10］Panaligan R.Quantifying Movie Magic with Google Search［EB/OL］.(2013-05-18).http://www.tuicool.com/articles/mei2Qf. ［11］徐晓枫,贺樑,杨静.融合社交与搜索数据的电视剧点播排名预测研究［J］.计算机工程,2015,41(8):6-12,17. ［12］戈小燕.电视剧观众的收视心理探析［J］.视听纵横,2012(4):101-103. ［13］倪祥保,杨秋.略论剧本与角色、演员及观众——以电视剧《人间正道是沧桑》为例［J］.中国电视,2010(10):12-15. ［14］百度.百度指数［EB/OL］.［2016-12-18］.http://index.baidu.com. ［15］Bettini C,Wang X,Jajodia S,et al.Discovering Frequent Event Patterns with Multiple Granularities in Time Sequences［J］.IEEE Transactions on Knowledge & Data Engineering,1998,10(2):222-237. ［16］唐常杰,于中华,游志胜,等.基于时态数据库的Web数据周期规律的采掘［J］.计算机学报,2000,23(1):52-59. 编辑陆燕菲

[1]	徐龙壮, 彭力, 朱凤增. 多任务金字塔重叠匹配的行人重识别方法[J]. 计算机工程, 2021, 47(1): 239-245,254.
[2]	陈泽, 叶学义, 钱丁炜, 魏阳洋. 基于改进Faster R-CNN的小尺度行人检测[J]. 计算机工程, 2020, 46(9): 226-232,241.
[3]	生龙, 马建飞, 杨瑞欣, 吴迪. 基于特征交换的CNN图像分类算法研究[J]. 计算机工程, 2020, 46(9): 268-273.
[4]	赵亚南, 刘渊, 宋设. 融合多头自注意力机制的金融新闻极性分析[J]. 计算机工程, 2020, 46(8): 85-92.
[5]	汤宇豪, 毛启容, 高利剑. 基于层次注意力机制的维度情感识别方法[J]. 计算机工程, 2020, 46(6): 65-72.
[6]	马震环, 高洪举, 雷涛. 基于增强特征融合解码器的语义分割算法[J]. 计算机工程, 2020, 46(5): 254-258,266.
[7]	王艺皓, 丁洪伟, 李波, 杨志军, 杨俊东. 复杂场景下基于改进YOLOv3的口罩佩戴检测算法[J]. 计算机工程, 2020, 46(11): 12-22.
[8]	高宁化, 王姮, 冯兴华. 基于动态模糊决策树的心电信号分类方法[J]. 计算机工程, 2020, 46(1): 80-86.
[9]	李金蔓, 汪剑鸣, 金光浩. 融合主观性与共识性信息的人脸吸引力预测[J]. 计算机工程, 2019, 45(8): 224-229.
[10]	官洪运, 欧阳江坤, 杨益伟, 吴炜. 基于特征融合的改进LCT跟踪算法[J]. 计算机工程, 2019, 45(8): 241-247.
[11]	单礼岩, 李新伟. 基于时空信息特征融合的视频指纹算法[J]. 计算机工程, 2019, 45(8): 260-265,274.
[12]	李熙莹, 周智豪, 邱铭凯. 基于部件融合特征的车辆重识别算法[J]. 计算机工程, 2019, 45(6): 12-20.
[13]	张文涛,许治国,郑霖,杨超. 基于深度自编码多维特征融合的慢动目标检测[J]. 计算机工程, 2019, 45(5): 143-148,154.
[14]	谭梦婕,吕鑫,陶飞飞. 基于多特征融合的财经新闻话题检测研究[J]. 计算机工程, 2019, 45(3): 293-299,308.
[15]	龚红, 杨发顺, 王代强, 丁召. 一种基于背景加权的多特征融合目标跟踪算法[J]. 计算机工程, 2019, 45(12): 249-256,262.

基于首播前搜索数据的电视剧流行度预测

TV Drama Popularity Prediction Based on Search Data Before the Premiere

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

本文评价

推荐阅读 10