弹幕视频短期播放量预测及影响因素分析

弹幕视频深受广大用户欢迎,通过预测弹幕视频短期播放量和影响因素的分析,便利视频平台判别视频质量高低并进行合理的推广安排,有利于提高平台弹幕视频服务和经济效益。抓取B站视频相关数据,将特征选择和不同算法结合分别构建随机森林模型、XGBoost模型和LSTM模型对弹幕视频播放量进行预测,比较分析不同特征组合进行预测对实验结果的影响。结果表明,随机森林模型预测精度要高于XGBoost模型和LSTM模型,且弹幕视频自身特征对播放量的影响最大,视频标文本特征对播放量的影响程度较小。

加入情感分析的Stacking模型在网络剧播放量预测中的应用

随着网络剧近年来的飞速发展,对播放量的研究也逐渐受到关注.网络剧播放量反映了网络剧的口碑和受欢迎程度,这与制作方和投资方的收益密切相关.但目前的研究尚未考虑观众评论的情感态度对播放量的影响,并且预测模型也较为简单,预测精度有待进一步提高.本文在对用户评论进行情感分析的基础上,构建Stacking集成学习模型对我国网络剧的播放量进行预测.首先基于SO-PMI算法构建网络剧领域情感词典,并结合基础情感词典以及点赞数权重计算出评论情感得分,加入预测指标体系中;接着以随机森林(random forest, RF), GBDT, XGBoost以及LightGBM为基学习器, MLR为元学习器,构建Stacking网络剧播放量分阶段的预测模型,使用当前数据对下一周的播放量进行预测;最后进行模型比较分析,并得出预测变量的重要性分值.实验结果显示,本文所构建的模型判定系数R方值达到了0.89,高于基学习器单独的模型预测R方值(最高0.84)以及未加入情感得分变量的Stacking模型预测R方值(0.81).可以得出加入情感得分变量后,本文构建的Stacking集成学习模型在一定程度上可以提高网络剧播放量的预测精度.

在线音乐歌单播放量预测及影响因素分析

【目的】通过预测歌单播放量并探究影响播放量的因素,帮助甄别歌单的优劣,方便在线音乐平台对歌单质量进行把关。【方法】利用爬虫获取网易云音乐歌单的数值特征和文本特征,采用Word2Vec和BERT对文本进行预训练,然后分别建立RF、XGBoost、DNN模型对歌单播放量进行多组预测对照实验。【结果】DNN模型的预测准确率要高于RF和XGBoost模型,歌单的初始播放量、评论、收藏、转发数对播放量的影响最为显著,而文本特征会使预测准确率下降。【局限】受到网易云音乐歌单推荐每日更新这一不可控因素的影响,只获取了歌单12h后的播放量数据。【结论】通过构建播放量预测模型,可以帮助在线音乐网站对歌单优劣进行初步判断。

基于神经网络的视频网站自制节目播放量的预测建模

自2005年起,由最初的低成本到如今的专业规模化,我国视频网站自制节目以其形式多元、内容丰富成为众多网民的新宠。本文选取五大视频平台,共101部数据进行分析,提出了一套影响播放量的指标体系,并且在该指标体系基础之上构建了一套基于BP神经网络的播放量预测模型,同时针对神经网络波动性的特点,对预测模型进行必要的改进。该指标体系和预测模型的研究能为节目上映前的投资、盈利提出更全面可靠的参考方案,对我国视频产业的研究与发展有所裨益;而且,以该播放量预测模型为基础,利用科学、合理的评估体系和方法,可以对视频版权相关产品或服务进行定价,有助于简化并规范版权交易的询价议价过程,科学合理地确定版权作品的创意附加值,对版权价值评估及版权交易的进行具有重要指导意义。