淺談《基於神經網路的電影票房預測建模》

最新 07-05

首先，模型結合中國內地電影市場的實際情況，確定電影票房的影響因素；其次，對這些影響因素進行量化處理，形成神經網路能夠接受的數據格式；此外對電影歷史數據去噪處理，構建反饋神經網路（BPNN）的訓練集，由此初步確定神經網路的預測模型以及輸入——輸出的映射結構；最後，在BPNN預測結構基礎之上通過預測演算法以及流程的改進，確定最終的基於多層反饋神經網路的票房預測模型（BRP模型）。

變數選取：

模型選取的影響因子：導演、第一主演、第二主演、第一類型、第二類型、發行地區、上映檔期。將前5周的累計票房作為電影的總票房。

票房：考慮到每部影片的上映天數不盡相同，模型選取每部電影上映前5周的累計票房作為該部影片的上映期的累計票房收入。因為動畫類型電影特殊性，基礎數據中剔除了動畫類型電影數據。

導演：導演i的票房影響力指標為Dir（i）:

其中：i表示導演序號；j表示導演i參與拍攝的的第j部電影；k表示上映的周次；m表示導演i參與拍攝的所有電影中，上映時間距離現在時間最近的m部電影；表示最近第j部電影的上映的第k周內產生的票房。即用導演最近m部影片的平均票房作為衡量導演的影響力。

為進一步得到導演對其執導電影的影響權值，該模型選取DriectorWeight作

為衡量指標，其中

i表示導演的序號，表示第i個導演的影響力。

演員：演員的衡量指標採用來表示。

i表示演員的序號，j表示主演i參與拍攝的第j部影片，k表示上映的周次，m表示主演i參與拍攝的所有電影中，上映最近的m部電影，表示最近上映的第j部電影在上映的第k周產生的票房。

為演員i參與的最近第j部電影的參演係數，

n為正整數，表示演員i在第j部電影中主演的名次順序。

其中主演i的影響力對參與的電影的票房影響力權值用ActorWeight表示，其中

電影類型：電影類型參考的是IMDB的分類，將影片劃分為：愛情片、災難片、懸疑片( 冒險、犯罪) 、恐怖片( 驚悚) 、戰爭片、紀錄片( 傳記、歷史) 、家庭片、戲劇( 音樂、戲曲) 、科幻片( 魔幻、奇幻) 、喜劇片、動作片( 武俠、古裝) 、劇情片( 故事)12種類型。

電影類型i的票房影響力指標其中i表示類型序號，k表示上映的周次，m表示類型i的電影總量，j表示屬於類型i的第j部電影，表示內容類型為i的第j部電影在上映的第k周內產生的票房。

同時採用GenreWeight作為該類型電影的票房影響力權值，

國家地區：模型將電影製片公司所在國家或地區將電影分為歐美、日韓、港台、中國內地和其他地區五個類型。

其中用表示國家或地區i的票房影響力，，i表示發行地區的序號，i的取值和地區相對應，k表示上周的周次，m表示發行地區屬於地區i的電影總數，j表示發行地區屬於地區i的第j部電影，表示發行地區i的第j部電影上映的第k周內產生的票房。

發行地區i的影響力對發行地區屬於該類型的電影的票房影響力權值。i表示發行地區序號，，表示發行地區i的影響力，表示發行地區的j的影響力權值。

上映檔期：該模型根據我國假期特點，將假期分為5個，分別為：五一檔（4月27日至5月10日），暑期檔（7月1日至9月1日），國慶檔（9月27日至10月10日），賀歲檔（正月初一至正月十五）和其他檔期。

檔期i的票房影響力指數用，其中，i表示檔期的序號，i的取值和檔期相對應；k表示上映的周次，m表示上映日期在檔期i的電影總數，j表示上映日期在檔期i的第j部電影，表示上映檔期在檔期i的第j部電影上映的第k周內產生的票房。

電影票房的影響權值其中，，其中，，i表示上述檔期序號，表示檔期i的影響力。

神經網路演算法：

該模型採用的是神經網路演算法，將這七個因素作為輸入層的七個神經元，激活函數採用Sigmoid函數，x表示上一層的所有神經元對本層神經元的凈輸入。歸一函數採用，j表示電影序號，k表示上周的周次，表示第j部電影在上映的第i周內產生的票房，表示可用於BPNN訓練的第j部電影上映截止到第k周階數時的累計票房，。最後模型在BPNN預測結構基礎之上通過預測演算法以及流程的改進，確定最終的基於多層反饋神經網路的票房預測模型（BRP模型）。

神經網路模型的優缺點：

本模型的不足之處：

1、模型中每個變數僅選取平均票房作為衡量指標，衡量方法過於單一。衡量導演和演員等因素也需要考慮影響火熱程度等。

2、檔期的劃分存在一定不足之處。每年各個檔期的放假時間基本上不太相同，尤其春節檔等按陰曆放假的檔期，該模型把檔期固定在每年固定的時間段應該是不太合理的。

3、模型僅引入導演、演員、類型、檔期和發行檔期這些因素，並未考慮更多因素，例如：發行公司和宣傳公司，影人之間的合作交叉效應等。

本模型的優點：

1、該模型對每個變數都進行了一個加權，而非一個簡單的引入。模型給出了各個變數的權重，權重的計算方法值得參考。

2、模型採用的演算法為神經網路，相對於多元回歸等模型更先進，預測精度更加高。

3、該模型對演員的衡量時，採用票房和演員在該部影片順序加權，這種衡量演員對票房的貢獻方法值得參考。

參考文獻：

[1] 鄭堅，周尚波. 基於神經網路的電影票房預測建模[J]. 計算機應用，2014，（34）：742—748

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！